方法

数据集

  使用了来自ADNI数据集的384个同时具有MRI和PET影像的患者（其中192个正常，192个AD）。

预处理

  首先，使用FSL软件将MR配准到MNI模板空间，它是标准模板。 随后对MR图像进行头盖骨剥离，并归一化到[0,1]（避免梯度爆炸和收敛问题）。对PET图像，也配准到相同的MNI模板上，不进行头盖骨剥离，但归一化到[0,1]。值得注意的是，文章提到将处理好的MRI和PET图像使用FSL分割为灰质、白质、脑脊髓（只进行灰质部分的MRI-PET转换？）。并且将预处理好的MRI和PET影像都缩小到了$64\times 64\times 64$大小。

网络结构

  3D U-Net结构。目标是学习一个从MRI提取的灰质到PET提取的灰质的映射（但是结果又是整张图像的结果？）。损失函数为二值交叉熵损失。

实验

  使用了9折交叉验证，1折用作测试集，1折用作验证集，剩下7折用于训练数据。训练了10个epoch。则应该是AD和NC混合训练，并没有单独对某一种训练一个模型。

分类实验

  使用了L2范数的Logistic regression（逻辑回归，一种经典的二分类算法，参考从原理到应用:简述Logistic回归算法）。并同样使用了9折交叉验证，作者进行的对比如下：采用原始的MRI数据得到一个分类结果、采用原始的PET数据得到一个结果、采用合成的PET数据得到一个结果、采用原始的MRI和合成的PET得到一个结果四者的对比，作者通过采用原始MRI+合成PET相比原始MRI的结果要高说明合成的PET是有意义的（这个对比很不科学？，不应该对比MRI+PET与MRI+合成的PET的结果吗？而且原始数据中的MRI不是已经有对应的PET了？），结果如下：

  作者还进行了一个配对样本t检验（用于判断样本是否足以代表整体），检验结果显示使用MRI和合成PET图像时，分类准确性略有改善（$p=0.06$）。

最后

以上就是粗犷背包为你收集整理的MRI to FDG-PET: Cross-Modal Synthesis Using 3D U-Net for Multi-modal Alzheimer’s Classification论文解读方法实验的全部内容，希望文章能够帮你解决MRI to FDG-PET: Cross-Modal Synthesis Using 3D U-Net for Multi-modal Alzheimer’s Classification论文解读方法实验所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错，欢迎将靠谱客网站推荐给程序员好友。