在rs-fMRI模式下使用卷积自编码模型和间隔类型-2模糊回归的自动诊断精神分裂症和注意力缺陷多动性障碍
Afshin Shoeibi1, Navid Ghassemi2, Marjane Khodatars3
1FPGA Lab, Faculty of Electrical Engineering, K. N. Toosi University of Technology, Tehran, Iran.
Cognitive neurodynamics
|November 17, 2023
概括
这项研究引入了一种新的深度学习方法,用于使用静止状态fMRI (rs-fMRI) 数据检测精神分裂症 (SZ) 和注意力缺陷多动性障碍 (ADHD). 使用灰狼优化 (GWO) 优化的间隔类型-2模糊回归 (IT2FR) 方法实现了72.71%的准确性.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 精神分裂症 (SZ) 和注意力缺陷多动性障碍 (ADHD) 等脑部疾病对全球健康构成重大挑战.
- 功能磁共振成像 (fMRI),特别是静止状态fMRI (rs-fMRI),是诊断这些疾病的关键神经成像技术.
研究的目的:
- 使用rs-fMRI数据开发和评估SZ和ADHD的智能检测方法.
- 引入一种基于深度学习的新型分类框架,以提高诊断准确度.
主要方法:
- 来自加利福尼亚大学洛杉矶数据集的rs-fMRI数据使用FMRIB软件库进行了预处理.
- 用一个卷积式自编码器从rs-fMRI数据中提取特征.
- 引入了一种新的间隔类型-2模糊回归 (IT2FR) 分类器,并使用遗传算法,粒子群优化和灰狼优化 (GWO) 进行了优化.
主要成果:
- IT2FR方法,特别是当它与GWO优化时,与传统分类器 (如多层感知子,k-最近邻居,支向量机,随机森林,决策树和自适应的神经模糊推理系统) 相比,表现出更好的性能.
- 拟议的IT2FR-GWO模型实现了72.71%的分类准确性.
结论:
- 拟议的深度学习框架将IT2FR与GWO优化集成,为从rs-fMRI数据中智能检测SZ和ADHD提供了一个有希望的方法.
- 这种方法显示了提高诊断这些复杂大脑疾病的准确性和效率的潜力.
