SF2前任:使用空间和频率融合变压器从多中心MRI数据中鉴定肌缩侧硬化症
Rafsanjany Kushol1, Collin C Luk2, Avyarthana Dey3
1Department of Computing Science, University of Alberta, Edmonton, AB, Canada.
概括
这项研究介绍了SF2Former,这是一种新的深度学习框架,用于使用脑磁共振成像来改善肌缩侧面硬化症 (ALS) 诊断. 它通过分析空间和频域信息来提高分类准确性,优于现有的方法.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 肌缩侧面硬化症 (ALS) 是一种影响运动神经元的神经退行性疾病.
- 脑磁共振成像 (MRI) 显示了作为ALS诊断和监测生物标志物的潜力.
- 由于微妙的神经成像变化,当前的深度学习方法难以准确地将ALS患者与对照人分类.
研究的目的:
- 开发一个先进的深度学习框架,SF2Former,以改善ALS患者的分类.
- 利用视觉转换器架构来识别神经成像数据中的远程关系.
- 通过整合来自MRI扫描的空间和频率域信息来提高分类性能.
主要方法:
- SF2Former框架使用视觉转换器架构来分析MRI数据.
- 它结合了空间和频率域信息,以增强特征表示.
- 该模型在连续的冠状MRI切片上使用ImageNet的转移学习进行训练,并使用多数投票进行最终分类.
主要成果:
- 拟议的SF2Former框架在区分ALS患者和健康对照中表现出卓越的分类准确性.
- 来自CALSNIC数据集的多模式神经成像数据 (T1加权,R2*,FLAIR) 用于评估.
- 该框架在实验结果中超过了几种流行的基于深度学习的技术.
结论:
- SF2Former提供了一种有前途的方法,用于使用神经成像数据准确诊断ALS.
- 空间和频率域分析的整合显著改善了深度学习模型的性能.
- 这一框架有可能推进MRI在ALS治疗中的临床应用.
