Enhancing Alzheimer's Diagnosis: Leveraging Anatomical Landmarks in Graph Convolutional Neural Networks on Tetrahedral Meshes
作者: Yanxi Chen, Mohammad Farazi, Zhangsihao Yang, Yonghui Fan, Nicholas Ashton, Eric M Reiman, Yi Su, Yalin Wang
发布时间: 2025-03-10
来源: arxiv
研究方向: 阿尔茨海默病诊断与脑部淀粉样蛋白阳性分类
主要内容
该研究提出了一种基于Transformer架构的几何深度学习模型，用于阿尔茨海默病的诊断和脑部淀粉样蛋白阳性分类。该模型通过结合结构磁共振成像（sMRI）和基于血液的生物标志物（BBBMs），旨在提高诊断准确率，同时减少对昂贵的PET扫描的依赖。
主要贡献
1. 提出了首个适用于不同大小和拓扑结构的四面体网格的Transformer模型。
2. 采用了稀疏局部注意力策略，显著降低了计算成本。
3. 引入了节点级特征学习模块，提高了性能和局部上下文感知。
4. 在ADNI数据集的子集上对多个任务进行了严格评估，一致性地优于最先进的方法。
5. 将BBBMs与学习到的特征相结合，显著提高了性能，突出了sMRI分析在AD研究中的互补作用。
研究方法
1. 基于高斯过程（GP）模型的解剖标志物生成。
2. 四面体网格的新型标记化方案。
3. 节点和图级别的嵌入。
4. Transformer架构，包括自注意力机制和稀疏图注意力。
5. Ablation研究以验证模型组件的贡献。
实验结果
在阿尔茨海默病分类任务中，LETetCNN模型在所有临床诊断组对中均优于现有方法，特别是在MCI vs CN比较中表现出色。在脑部淀粉样蛋白阳性分类任务中，LETetCNN模型优于所有基线模型，尤其是当结合pTau-217信息时，表现更佳。
未来工作
探索多尺度标记化策略、集成额外的解剖先验以及在其他需要灵活表示学习的3D结构领域的应用。