基于高图隐性关系的多模式分类框架,用于与轻度认知障碍相关的末期脏病
Xidong Fu1, Chaofan Song1, Rupu Zhang1
1School of Computer Science and Artificial Intelligence, Changzhou University, Changzhou 213164, China.
这项研究引入了一种结合动脉自旋标记 (ASL) 和功能磁共振成像 (fMRI) 的新方法,以识别轻度认知障碍末期病 (ESRDaMCI) 中的大脑网络变化. 该方法实现了88.67%的准确性,改进了现有方法.
科学领域:
- 神经成像是一种神经成像.
- 医学诊断 医学诊断 医学诊断
- 人工智能的人工智能
背景情况:
- 末期轻度认知障碍病 (ESRDaMCI) 由于微妙的大脑网络变化,在诊断方面存在挑战.
- 当前的多模式分类方法往往无法捕捉复杂的大脑区域的相互作用,并且可能会受到特征噪声的影响.
研究的目的:
- 开发一个先进的多式联运分类框架,以更好地识别ESRDaMCI.
- 通过结合高阶关系和减少特征矩阵中的噪声来解决现有方法的局限性.
主要方法:
- 提出了一个利用超图隐藏关系 (HLR) 的新框架.
- 功能磁共振成像 (fMRI) 数据被用来构建一个大脑功能网络与超图结构信息.
- 动脉旋转标签 (ASL) 衍生脑血流 (CBF) 作为第二个模式特征.
- 隐藏关系自适应相似性学习 (LRAS) 用于多式模式特征选择 (LRMFS).
主要成果:
- 拟议的LRMFS框架实现了88.67%的分类准确率 (ACC).
- 与最先进的方法相比,这代表了至少2.84%的改善.
- 该框架有效地保留了有价值的区域间大脑信息,并减少了噪音.
结论:
- 开发的多模式分类框架为识别ESRDaMCI的成像标记提供了一个有希望的方法.
- 这种方法提高了ESRDaMCI中大脑网络属性的理解.
- 这些发现为临床ESRDaMCI认可提供了有价值的参考.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
08:43Application of Granger Causality Analysis of the Directed Functional Connection in Alzheimer's Disease and Mild Cognitive Impairment
Published on: August 7, 2017
相关概念视频
Heart Failure IV: Classification and Diagnostic Evaluation
Chronic Kidney Disease III: Interprofessional Care
Chronic Kidney Disease I: Introduction
Classification of Illness
An illness is a response to a disease in which the person's level of functioning is changed compared with a previous level. The general classification of illness includes acute and chronic.
Acute illness is severe...
Chronic Kidney Disease II: Clinical Manifestations
