Alzheimer's disease detection from structural MRI using conditional deep triplet network - 05/04/22

Doi : 10.1016/j.neuri.2022.100066 
Maysam Orouskhani a, b, , Chengcheng Zhu b , Sahar Rostamian c , Firoozeh Shomal Zadeh b , Mehrzad Shafiei b , Yasin Orouskhani d
a Department of Computer Engineering, Science & Research Branch, Islamic Azad University, Tehran, Iran 
b Department of Radiology, University of Washington, Seattle, WA, USA 
c Department of Medicine, Harvard Medical School, Boston, USA 
d Sharif University of Technology, Tehran, Iran 

Corresponding author.

Bienvenue sur EM-consulte, la référence des professionnels de santé.
Article gratuit.

Connectez-vous pour en bénéficier!

Abstract

Alzheimer's disease (AD) as an advanced brain disorder may cause damage to the memory and tissue loss in the brain. Since AD is a mostly costly disease, various deep learning-based models have been presented to achieve a high accuracy classifier to Alzheimer's diagnosis. While a model with high discriminative features is required to obtain a high performance classifier, the lack of image samples in the datasets causes over-fitting and deteriorates the performance of deep learning models. To overcome this problem, few-shot learning such as deep metric learning was introduced. In this paper we employ a novel deep triplet network as a metric learning approach to brain MRI analysis and Alzheimer's detection. The proposed deep triplet network uses a conditional loss function to overcome the lack of limited samples and improve the accuracy of the model. The basic network of this model inspired by VGG16 and experiments are conducted on open access series of imaging studies (OASIS). The experiments show that the proposed model outperforms the state-of-the-art models in term of accuracy.

Le texte complet de cet article est disponible en PDF.

Keywords : Deep triplet network, Alzheimer's disease, MRI, Medical imaging, VGG16


Plan


© 2022  Publié par Elsevier Masson SAS.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

  • Contenu

Vol 2 - N° 4

Article 100066- décembre 2022 Retour au numéro
Article précédent Article précédent
  • A systematic review on Data Mining Application in Parkinson's disease
  • Adesh Kumar Srivastava, Klinsega Jeberson, Wilson Jeberson
| Article suivant Article suivant
  • A novel approach for detection of COVID-19 and Pneumonia using only binary classification from chest CT-scans
  • Sanskar Hasija, Peddaputha Akash, Maganti Bhargav Hemanth, Ankit Kumar, Sanjeev Sharma

Bienvenue sur EM-consulte, la référence des professionnels de santé.

Mon compte


Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.


Tout le contenu de ce site: Copyright © 2024 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.