通过使用3D卷积神经网络对fMRI数据进行自闭症谱系障碍分类的增强方法的评估

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 医疗数据分析 医学数据分析

背景情况:

• 深度学习模型越来越多地用于使用神经成像数据来分类健康与患病的受试者.
• 大数据集对于训练具有数百万参数的深度网络至关重要.
• 在神经成像中,3D数据增强对数据集大小和模型性能的影响仍未得到充分探索.

研究的目的:

• 研究不同3D增强技术对应用到神经成像数据的深度学习模型中的测试准确性的影响.
• 通过静止状态功能性MRI (fMRI) 数据,评估3D增强在提高自闭症谱系障碍 (ASD) 的分类方面的实用性.

主要方法:

• 利用自闭症脑成像数据交换 (ABIDE) 数据集中的1112名受试者的静止状态功能性MRI数据.
• 预处理的fMRI数据衍生品被用来训练一个3D卷积神经网络 (CNN).
• 评估了各种3D增强技术对CNN分类有或没有自闭症受试者的能力的影响.

主要成果:

• 应用3D增强技术只能在测试准确度方面取得微小的改进.
• 该研究表明,使用fMRI数据深度学习来进行ASD分类的可行性.
• 在这种特定情况下,3D增强的有效性被发现是有限的.

结论:

• 虽然深度学习显示出基于神经成像的疾病分类的前景,但3D增强策略目前在使用静止状态fMRI检测ASD方面提供了边际的好处.
• 需要进一步的研究来优化3D增强技术,以提高神经成像应用中的深度学习模型性能.