通过大脑结构功能深度融合网络预测阿尔茨海默病

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:

• 阿尔茨海默病 (AD) 诊断从融合结构和功能脑成像中受益.
• 有效地整合多式联络神经成像数据,如fMRI和DTI,是一个重大挑战.
• 识别与AD相关的神经电路异常需要先进的分析技术.

研究的目的:

• 提出一种新型模型,即跨模态变压器生成对抗网络 (CT-GAN),用于功能磁共振成像 (fMRI) 和扩散张力成像 (DTI) 数据的有效融合.
• 利用CT-GAN学习拓特征,并为阿尔茨海默病的分析产生多式联络.
• 为了增强与AD相关的大脑连接和异常神经回路的识别.

主要方法:

• 开发一个跨模式的变压器生成对抗网络 (CT-GAN),用于端到端的多模式神经图像融合.
• 实施交换双注意力机制,以调整共同特征并增强fMRI和DTI模式之间的互补信息.
• 利用生成的多式联网功能来识别与阿尔茨海默病相关的大脑连接.

主要成果:

• CT-GAN模型有效地融合了功能和结构大脑成像数据.
• 拟议的模型在ADNI数据集上显示了阿尔茨海默病预测性能的显著改善.
• CT-GAN成功检测了与AD相关的大脑区域,并提供了对异常神经回路的洞察.

结论:

• CT-GAN为阿尔茨海默病研究的多模式神经成像数据的融合提供了一种有效的方法.
• 这种新型模型增强了识别AD相关大脑异常的能力,并提高了诊断能力.
• CT-GAN对与阿尔茨海默病相关的复杂神经电路中断提供了宝贵的见解.