NeuroAPS-Net: Modello AI Leggero per la Classificazione dell'Alzheimer
I ricercatori hanno sviluppato NeuroAPS-Net, un modello geometrico di deep learning leggero per la classificazione della malattia di Alzheimer utilizzando la risonanza magnetica strutturale. Il modello converte la risonanza magnetica T1-pesata in nuvole di punti 2D anatomicamente informate tramite Anatomical Priority Sampling (APS), creando il dataset ADNI-2DPC, il primo dataset di nuvole di punti derivato da MRI con etichettatura neuroanatomica. NeuroAPS-Net incorpora priori anatomici attraverso la codifica delle caratteristiche sensibili alla regione e l'aggregazione dei token ROI. Gli esperimenti mostrano un'accuratezza di classificazione competitiva con una latenza di inferenza e un utilizzo della memoria GPU significativamente ridotti rispetto alle tradizionali CNN 3D, consentendo l'implementazione in contesti con risorse limitate.
Fatti principali
- NeuroAPS-Net è un modello geometrico di deep learning leggero per la classificazione dell'Alzheimer.
- Utilizza Anatomical Priority Sampling (APS) per convertire la risonanza magnetica T1-pesata in nuvole di punti 2D.
- Il dataset ADNI-2DPC è il primo dataset di nuvole di punti derivato da MRI con etichettatura neuroanatomica.
- NeuroAPS-Net incorpora codifica delle caratteristiche sensibile alla regione e aggregazione dei token ROI.
- Il modello raggiunge un'accuratezza competitiva con una latenza di inferenza e un utilizzo della memoria GPU inferiori.
- Il lavoro affronta i limiti delle CNN 3D computazionalmente costose.
- La malattia di Alzheimer è un disturbo neurodegenerativo progressivo e una delle principali cause di demenza.
- La risonanza magnetica strutturale è ampiamente utilizzata per analizzare l'atrofia cerebrale correlata all'AD.
Entità
—