一个基于注意力的多模态MRI融合模型,用于主要抑郁症诊断
Guowei Zheng1,2, Weihao Zheng1, Yu Zhang1
1Gansu Provincial Key Laboratory of Wearable Computing, School of Information Science and Engineering, Lanzhou University, Lanzhou, People's Republic of China.
Journal of neural engineering
|October 16, 2023
概括
这项研究引入了一种新的深度学习模型,用于使用结构性和功能性MRI扫描来诊断主要抑郁症 (MDD). 该模型实现了75.2%的准确性,突出了融合多模式神经成像数据在MDD检测方面的潜力.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 大型抑郁症 (MDD) 显著影响心理健康,包括大脑结构和功能变化.
- 目前使用多模态MRI诊断MDD的深度学习模型尚未完全探索潜伏特征相互作用.
研究的目的:
- 通过融合结构MRI (sMRI) 和静止状态fMRI (rs-fMRI) 数据,开发一种用于增强MDD诊断的新型深度学习模型.
- 捕捉和利用深度特征之间的模式间相互作用,以提高诊断准确度.
主要方法:
- 提出了一个深度学习模型,使用脑功能编码器 (BFE) 和脑结构编码器 (BSE) 来提取rs-fMRI和sMRI的特征.
- 引入了一个函数和结构共同注意力融合 (FSCF) 模块,以捕捉跨模态交互并适应地融合深层特征.
主要成果:
- 该模型在大型队列中实现了MDD诊断的75.2%的分类准确率.
- FSCF模块的注意力分析表明,在MDD诊断中更重视结构性MRI特征.
结论:
- 提出的多模式深度学习模型在诊断MDD方面表现出显著的有效性.
- 这些发现表明,通过先进的融合技术将sMRI和rs-fMRI数据集成为MDD评估的临床潜力.
