图形推理模块用于阿尔茨海默病诊断:一个插即用方法

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 阿尔茨海默病 (AD) 引起广泛的神经元损伤,影响大脑连接.
• 卷积神经网络 (CNN) 越来越多地用于通过结构磁共振成像 (sMRI) 来检测AD.
• 现有的CNN方法面临的挑战是有效地整合空间遥远的信息,这对于AD诊断至关重要.

研究的目的:

• 开发一种新的图形推理模块 (GRM),以增强基于CNN的AD检测.
• 提高深度学习模型的能力,以捕捉不同大脑区域之间的关系,以便更准确地诊断AD.
• 提高现有的AD分类模型的性能.

主要方法:

• 提出了一个图形推理模块 (GRM),用于直接集成到基于CNN的模型中.
• 设计了一个自适应图形转换器 (AGT) 块,用于从CNN特征图中构建自适应图形.
• 使用图形卷积网络 (GCN) 块进行图形表示更新和特征地图重建 (FMR) 块进行输出生成.

主要成果:

• GRM集成使AD分类模型的平衡精度提高了4.3%以上.
• 嵌入GRM的模型实现了86.2%的最先进的平衡精度.
• 与现有的基于深度学习的AD诊断方法相比,其表现优越.

结论:

• 拟议的GRM有效模拟大脑区域之间的关系,增强AD检测.
• 在阿尔茨海默病诊断中,GRM为基于CNN的sMRI分析提供了显著的改进.
• 这种方法代表了神经退行性疾病检测深度学习的有希望的进步.