通过解剖学特征改善大脑年龄预测,增强注意力3D-CNN

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:

• 深度学习模型擅长从结构性MRI (sMRI) 预测大脑年龄.
• 传统的sMRI解剖特征在当前的深度学习方法中未得到充分利用.
• 准确的脑年龄预测对于理解认知衰退和神经系统疾病至关重要.

研究的目的:

• 开发一个基于注意力的网络,将从sMRI数据中整合解剖学和深层卷积特征.
• 提高大脑年龄预测模型的准确性和效率.
• 利用解剖特征注意力 (AFA) 进行增强的特征提取.

主要方法:

• 设计了一个基于注意力的网络,包含一个解剖特征注意力 (AFA) 模块.
• 采用完全卷积网络来简化深层卷积特征提取并减少内存使用.
• 拟议的模型在8个公开的sMRI数据集上进行了评估,其中包括2501名参与者.

主要成果:

• 拟议的融合模型在大脑年龄预测中实现了2.20年的平均绝对误差 (MAE).
• 该模型在与几种广泛使用的深度学习模型相比显示出更高的性能.
• 加入AFA模块显著改善了深度学习模型的整体性能.

结论:

• 解剖学和深层卷积特征的整合提供了一个有希望的方法,可以通过sMRI准确预测大脑年龄.
• 开发的基于注意力的网络为捕获突出的解剖信息提供了一种有效的方法.
• 这种方法在临床诊断和监测与年龄相关的神经疾病方面具有潜在的应用.