多切片生成sMRI和fMRI用于自闭症谱系障碍诊断使用3D-CNN和视觉变压器
Asrar G Alharthi1, Salha M Alzahrani1
1Department of Computer Science, College of Computers and Information Technology, Taif University, Taif 21944, Saudi Arabia.
Brain sciences
|November 25, 2023
概括
这项研究探讨了使用磁共振成像 (MRI) 和先进的人工智能模型的自闭症谱系障碍 (ASD) 指标. 新的方法在将自闭症受试者与对照者分类方面取得了最先进的结果.
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:
- 自闭症谱系障碍 (ASD) 缺乏确定的诊断指标,促使人们对神经成像生物标志物的研究.
- 神经成像研究中的有限数据可用性需要先进的分析技术,如转移学习.
研究的目的:
- 使用结构性MRI (sMRI) 和功能性MRI (fMRI) 数据调查潜在的自闭症谱系障碍 (ASD) 指标.
- 通过使用转移学习和新型数据增强技术来解决ASD分类的数据限制.
主要方法:
- 建议使用四个视觉变压器 (ConvNeXT,MobileNet,Swin,ViT) 与sMRI以及一个3D-Convolutional神经网络 (3D-CNN) 与sMRI和fMRI.
- 从3DsMRI和4DfMRI扫描中实现了各种数据生成和切片提取方法,跨过轴,冠状和斜面平面.
- 评估了来自ABIDE存储库的纽约大学数据集上的模型,与VGG和ResNet转移学习基线进行比较.
主要成果:
- 使用50个中间fMRI切片的3D-CNN模型实现了0.8710的最大精度和0.8261.1的F1得分.
- 使用完整的fMRI切片 (不包括大脑四肢) 改善了分类,准确度为0.8387和F1得分为0.7727.
- 在sMRI上使用ConvNeXt模型进行转移学习,其性能优于其他变压器,证明了拟议方法的有效性.
结论:
- 该研究验证了多切片生成与3D-CNN和转移学习相结合的有效性,用于ASD分类.
- fMRI分析,特别是使用50个中间切片,显示出对识别自闭症指标的重大前景.
- 先进的AI模型和神经成像技术为改善ASD诊断提供了强大的方法.
