Tensorizing GAN With High-Order Pooling for Alzheimer’s Disease Assessment

联营 计算机科学 神经影像学 人工智能 分类器(UML) 机器学习 阿尔茨海默病神经影像学倡议 模式识别(心理学) 深度学习 认知障碍 认知 心理学 神经科学
作者
Wen Yu,Baiying Lei,Michael K. Ng,Albert C. Cheung,Yanyan Shen,Shuqiang Wang
出处
期刊:IEEE transactions on neural networks and learning systems [Institute of Electrical and Electronics Engineers]
卷期号:33 (9): 4945-4959 被引量:107
标识
DOI:10.1109/tnnls.2021.3063516
摘要

It is of great significance to apply deep learning for the early diagnosis of Alzheimer’s disease (AD). In this work, a novel tensorizing GAN with high-order pooling is proposed to assess mild cognitive impairment (MCI) and AD. By tensorizing a three-player cooperative game-based framework, the proposed model can benefit from the structural information of the brain. By incorporating the high-order pooling scheme into the classifier, the proposed model can make full use of the second-order statistics of holistic magnetic resonance imaging (MRI). To the best of our knowledge, the proposed Tensor-train, High-order pooling and Semisupervised learning-based GAN (THS-GAN) is the first work to deal with classification on MR images for AD diagnosis. Extensive experimental results on Alzheimer’s disease neuroimaging initiative (ADNI) data set are reported to demonstrate that the proposed THS-GAN achieves superior performance compared with existing methods, and to show that both tensor-train and high-order pooling can enhance classification performance. The visualization of generated samples also shows that the proposed model can generate plausible samples for semisupervised learning purpose.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
文献发布了新的文献求助10
刚刚
刚刚
闪闪镜子完成签到 ,获得积分10
1秒前
zzz给zzz的求助进行了留言
1秒前
Fenglu发布了新的文献求助10
1秒前
香蕉觅云应助勤奋曼雁采纳,获得10
2秒前
3秒前
3秒前
Berniece完成签到,获得积分10
4秒前
4秒前
yuanjunhu发布了新的文献求助30
4秒前
4秒前
高骏伟发布了新的文献求助30
4秒前
田様应助考研喵采纳,获得10
5秒前
派大星发布了新的文献求助10
5秒前
6秒前
温暖的天晴给温暖的天晴的求助进行了留言
7秒前
llmm发布了新的文献求助10
7秒前
TTLOVEDXX完成签到,获得积分10
7秒前
锌钒发布了新的文献求助10
7秒前
完美世界应助机智的夜云采纳,获得100
7秒前
喜悦完成签到,获得积分10
8秒前
8秒前
乐乐应助瘦瘦友易采纳,获得10
8秒前
albert666发布了新的文献求助10
9秒前
9秒前
wu发布了新的文献求助10
9秒前
给我进球完成签到,获得积分10
11秒前
yuanjunhu完成签到,获得积分10
12秒前
xuhailong发布了新的文献求助10
13秒前
小马甲应助文献采纳,获得10
13秒前
王正完成签到,获得积分10
14秒前
Fenglu完成签到,获得积分10
14秒前
玉崟完成签到 ,获得积分10
14秒前
14秒前
axiao发布了新的文献求助10
16秒前
柒琪完成签到 ,获得积分10
16秒前
传奇3应助研友_LN7bvn采纳,获得10
16秒前
HOHO完成签到,获得积分10
17秒前
zydd发布了新的文献求助10
17秒前
高分求助中
Sustainability in Tides Chemistry 2000
Microlepidoptera Palaearctica, Volumes 1 and 3 - 13 (12-Volume Set) [German] 1122
Дружба 友好报 (1957-1958) 1000
The Data Economy: Tools and Applications 1000
Mantiden - Faszinierende Lauerjäger – Buch gebraucht kaufen 600
PraxisRatgeber Mantiden., faszinierende Lauerjäger. – Buch gebraucht kaufe 600
A Dissection Guide & Atlas to the Rabbit 600
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3106345
求助须知:如何正确求助?哪些是违规求助? 2757343
关于积分的说明 7644512
捐赠科研通 2411634
什么是DOI,文献DOI怎么找? 1279439
科研通“疑难数据库(出版商)”最低求助积分说明 617805
版权声明 599271