Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Evaluating different training techniques for a convolutional neural network that classifies Alzheimer’s disease
KTH, School of Electrical Engineering and Computer Science (EECS).
2019 (English)Independent thesis Basic level (degree of Bachelor), 10 credits / 15 HE creditsStudent thesisAlternative title
Utvärdering av olika träningstekniker för ett konvolutionellt neuralt nätverk som klassificerar Alzheimers sjukdom (Swedish)
Abstract [en]

Effective computer diagnosis of Alzheimer’s disease could bring large benefitsto the millions of people worldwide who does or will suffer from dementia. One popular method for trying to achieve this is the training of convolutional neural networks to classify MRI brain scans. An abundance of training methods exists that aims to improve the performance of these neural networks, but their effectiveness and eventual disadvantages are not always clear. This study evaluates the performance of a CNN on the OASIS-3 neuroimaging dataset. The CNN’s task is to classify each MRI scan into one of four classes which correspond to the stage of Alzheimer’s disease. Two different training methods are compared to a training baseline. The first method evaluated is class-weighting, a technique that tries to compensate for rare classes in imbalanced datasets. The second method is data augmentation, a techniquet hat extends the dataset in an attempt to reduce overfitting and increase performance. Class-weighting was found to improve the classification performance significantly on the rarest class, while not having too large effect on the other classes. Data augmentation was not found to improve performance in general, but did improve the recall on some classes.

Abstract [sv]

Effektiv datorbaserad diagnos av Alzheimers sjukdom skulle kunna medföra stora fördelar för de som lider av eller kommer drabbas av demens. En populär metod för att åstadkomma detta är tränandet av konvolutionella neurala nätverk (CNNs) som klassifierar magnetröntgenskanningar av hjärnan. Ett överflöd av träningsmetoder finns som försöker förbättra de här neurala nätverkens träffsäkerhet, men deras effektivitet och eventuella nackdelar är inte alltid tydliga. Den här studen undersöker träffsäkerheten av ett CNN på hjärnavbildningsbanken OASIS-3. Nätverkets uppgift är att klassifiera varje MRI-bild som en av fyra klasser, vilka motsvar stadiet av Alzheimers sjukdom. Two olika träningsmetoder jämförs mot en grundmetod. Den första metoden som provas är klassviktning, en teknik som försöker kompensera för ovanliga klasser i en datamängd. Den andra metoden är datautökning, en teknik som utökar datamängded i ett försök att minska överträning och öka träffsäkerheten. Klassviktning visades tydligt öka klassifieringträffsäkerheten på den ovanligaste klassen, utan att ha alltför stor effekt på säkerheten för de andra klasserna. Datautökning ökade inte träffsäkerheten generallt, men förbättrade täckningen på vissa klasser.

Place, publisher, year, edition, pages
2019.
Series
TRITA-EECS-EX ; 2019:336
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-255261OAI: oai:DiVA.org:kth-255261DiVA, id: diva2:1338839
Subject / course
Computer and Systems Sciences
Supervisors
Examiners
Available from: 2019-07-29 Created: 2019-07-24 Last updated: 2019-08-08Bibliographically approved

Open Access in DiVA

fulltext(1204 kB)19 downloads
File information
File name FULLTEXT01.pdfFile size 1204 kBChecksum SHA-512
74f34676975d847ffaeb02099a8ad59f093538dad0302ff42a4ff78ae57671c77b82811a940d98cb45cd8519db24d91581501d81e1ef74096660ae69babd030b
Type fulltextMimetype application/pdf

By organisation
School of Electrical Engineering and Computer Science (EECS)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar
Total: 19 downloads
The number of downloads is the sum of all downloads of full texts. It may include eg previous versions that are now no longer available

urn-nbn

Altmetric score

urn-nbn
Total: 86 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf