用变形金刚预测年龄!

三个要点
✔️ 从大脑的MRI预测年龄的研究
✔️ 建议适用于大脑MRI的全局-局部变换器
✔️ 在年龄预测方面达到比传统方法更高的准确性。

Global-Local Transformer for Brain Age Estimation
written by Minghao Chen, Houwen Peng, Jianlong Fu, Haibin Ling
(Submitted on 1 Jul 2021)
Comments: Published on arxiv.
Subjects: Computer Vision and Pattern Recognition (cs.CV)

code：  

本文所使用的图片要么来自论文、介绍性幻灯片，要么是参考这些图片制作的。

背景

深度学习正在迅速发展，但它的影响在医疗卫生领域也得到了体现。其中有脑年龄估计，它通过大脑的核磁共振成像来预测一个人的年龄。

大脑年龄估计所预测的年龄与实际年龄之间的差异据说与人的大脑健康有关，是衡量健康状况的一个标准。用这种深度学习进行大脑年龄估计，但在传统的模型中，只从大脑的整个核磁共振成像中提取特征，所以目前还不可能考虑到核磁共振成像中包含的详细特征。

因此，本文提出了一个模型，除了整个图像的特征外，还可以提取细节特征，一个全球-本地变压器该模型的提出是为了在整个图像的特征之外提取详细的特征。

对比全局局域转换法和传统方法，可以看出全局局域转换法比传统方法提供更准确的年龄估计。此外，本文还讨论了全局-局部转化器对脑年龄估计的重点是核磁共振的哪一部分。

这篇文章描述了全局-局部变换器，介绍了与传统方法相比较的实验以及模型中感兴趣点的可视化结果。

建议的方法：GLobal-Local Transformer。

整个建议的方法如上图所示。作为输入数据，使用了整个MRI图像（顶部）和从MRI随机切割的补丁图像（底部）。所提方法的流程分为骨干网和全局-局部转换网。

骨干力量

Backbone对整个图像和补丁图像进行CNN特征提取；CNN架构是卷积层、批量规范化、ReLU和Max pooling的叠加，如下图所示。

全球-本地变压器

全局-局部转化器使用整个MRI图像和Backbone提取的补丁图像特征作为年龄预测的输入。

Global-Local Transformer与原始Transformer的区别在于，本文提出的Global-Local Attention代替了Self-Attention。另外，在全局-局部转化器中，不使用层提名化，从贴片图像中提取的特征与全局-局部注意的输出相结合。

全球-本地关注，也就是本文的核心，如下图所示。

全局-局部关注使用补丁图像的特征作为查询，使用整个图像的特征作为键和值。通过这种方式，来自核磁共振的细粒度特征可以与整个核磁共振的特征相结合。

此外，在下一节的实验中，使用了一个具有六个堆叠的全局-局部变形器的模型，以保证准确性和预测所需时间。(对于第二个及以后的全局--本地变换器，前一个全局--本地变换器的输出被用作查询。)

大脑年龄估计

数据集

为了评估该模型，使用了8个脑部MRI数据集，如上表所示。

N_samples是数据的数量，Arge range是年龄范围，Gender是性别分类。

此外，本文只介绍了用上述六个数据集组合的5折验证的实验结果。

实验结果

在训练期间，预测和实际年龄之间的MAE被用作损失函数。

预测年龄和实际年龄之间的MAE和相关系数（Pearson Correlation）以及CS（α=5）被作为评估指标；CS（α=5）代表预测年龄和实际年龄之间的差异小于5年的比例。

5折验证的结果显示在上表中。前面的八个模型是用于图像识别的模型，下面是用于年龄预测的模型，包括提出的方法。所提出的方法在所有评价指标上都优于以前的方法：MAE、相关系数和CS（α=5）。

视觉化

下图显示了一个热图，显示了所提出的方法在估计大脑年龄时重点关注大脑MRI的哪些部分。

从上图中可以看出，几乎类似的区域（红色区域）在所有的大脑核磁共振成像中都受到关注。这表明某些区域含有对大脑年龄估计很重要的信息。

此外，按年龄划分的关注领域的可视化显示在下面的图表中。在下图中，热图下面显示的数字代表年龄组。

上图显示，关注的领域因年龄不同而不同。例如，0-5岁的人专注于额叶（热图的左上方），而30-35岁的人将注意力转移到顶叶（热图的右下方）。

摘要

在这篇文章中，提出了全局-局部转化器，一个从大脑核磁共振成像中预测年龄的模型；通过将提取核磁共振成像中详细特征的方法纳入转化器，实现了超过传统方法的年龄预测的准确性。该论文还提出了有关这项研究的问题，如数据集不包括流行病患者的数据，以及数据集内患者的年龄存在偏差。

我们期待着通过解决这些问题在脑年龄估计方面取得进一步进展。

• 
• 
• 

与本文相关的类别

• 医疗
• Transformer