3DCNN使用扩散张力成像预测大脑年龄
Yuqi Wang1, Jingxi Wen1, Jiang Xin1
1School of Computer Science and Engineering, Central South University, Changsha, 410008, Hunan, People's Republic of China.
Medical & biological engineering & computing
|September 6, 2023
概括
这项研究引入了一种使用扩散张量成像 (DTI) 的新型深度学习模型,以准确预测大脑年龄. 该模型确定了关键的大脑结构,为与年龄相关的轴突变化提供了新的见解.
科学领域:
- 神经成像是一种神经成像.
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算神经科学是一种神经科学.
背景情况:
- 预测大脑年龄是神经成像的一个不断增长的领域,为大脑健康提供了洞察力.
- 扩散张力成像 (DTI) 数据在大脑年龄估计中未得到充分利用.
- 深度学习模型对复杂的神经成像分析有希望.
研究的目的:
- 开发和验证使用DTI数据进行大脑年龄预测的深度学习模型.
- 识别特定的大脑区域和纤维通道对于准确的年龄估计至关重要.
- 为了研究大脑轴突结构与年龄相关的变化.
主要方法:
- 一个3D卷积神经网络 (3DCNN) 已开发用于大脑年龄预测.
- 该模型是根据来自六个数据集的2,406名参与者 (年龄17-60岁) 的分数异构 (FA) 数据进行训练的.
- 实施了一个嵌套的交叉验证策略 (10倍CV) 以进行可靠的绩效评估.
主要成果:
- 3DCNN模型实现了2.785的平均绝对误差 (MAE) 和0.932.93的相关系数.
- 通过Grad-Cam++可视化,突出纤维通道被突出显示出来,包括体和左小脑脚的基因.
- 该模型展示了可靠的大脑年龄预测性能.
结论:
- 拟议的3DCNN模型有效地使用DTI衍生的FA数据预测大脑年龄.
- 这项研究为大脑白质微观结构的与年龄相关的变化提供了新的见解.
- 模型识别的关键纤维通道对于理解大脑衰老过程至关重要.
