使用3D CNN与2D CNN结合的综合模型对精神分裂症患者进行歧视性分析:多式共振磁共振图像和连接学分析
Haiman Guo1, Shuyi Jian1, Yubin Zhou1
1School of Biomedical Sciences and Engineering, South China University of Technology, Guangzhou International Campus, Guangzhou 511442, China.
Brain research bulletin
|December 17, 2023
概括
这项研究引入了一种新的深度学习模型,将3D和2DCNN集成到精神分裂症 (SZ) 分类中. 该模型实现了高精度,证明了对精神疾病临床诊断的潜力.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 精神疾病 精神疾病
背景情况:
- 精神分裂症 (SZ) 诊断依赖于临床评估,客观生物标志物有限.
- 多模式MRI数据为了解SZ患者的大脑结构和功能提供了丰富的信息.
- 深度学习方法正在出现,用于分析复杂的神经成像数据.
研究的目的:
- 开发和评估一个集成的深度学习模型,用于对精神分裂症患者进行歧视性分析.
- 为了利用来自多式模拟MRI数据的融合特征,提高分类准确性.
- 探索先进的深度学习组件,如SE块和SVM分类器的有效性.
主要方法:
- 获得了140名SZ患者和205名对照者的结构MRI (sMRI) 和休息状态功能MRI (rs-fMRI) 数据.
- 从MRI数据中提取了结构连接 (SC),功能连接 (FC),ALFF和ReHo.
- 开发了一个集成的3D CNN (用于T1,ReHo,ALFF) 和2D CNN (用于SC,FC) 模型,其中包含SE块和SVM分类器.
主要成果:
- 使用T1图像和FC矩阵的综合模型表现出卓越的性能.
- 包含SE块和SVM分类器显著提高了模型的预测能力.
- 获得的分类准确率为89.86%,灵敏度为86.21%,特异性为92.50%,AUC为89.35%,F1评分为87.72%.
结论:
- 拟议的综合3D CNN和2D CNN模型是精神分裂症分类的一个有希望的工具.
- 这种方法显示了改善精神疾病临床诊断的潜力.
- 来自多模式MRI数据的融合特征在深度学习模型中提高了诊断性能.
