由于任务唤起的fMRI,人类大脑的内部和区域间功能连接通过CNN和LSTM进行数据分类
Haniyeh Kaheni1, Mohammad Bagher Shiran1, Seyed Kamran Kamrava2
1Finetech in Medicine Research Center, Department of Medical Physics, School of Medicine, Iran University of Medical Sciences (IUMS), Tehran, Iran.
Journal of neuroradiology = Journal de neuroradiologie
|February 26, 2024
概括
本研究引入了先进的机器学习模型来分析fMRI扫描中的大脑活动,准确地分类具有和没有嗅觉障碍的个体. 这些方法提供了一种精确的方法来评估嗅觉功能,这对于早期发现神经退行性疾病至关重要.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 嗅觉神经科学是一种神经科学.
背景情况:
- 嗅觉功能障碍是神经退行性疾病的早期指标.
- 传统的心理物理嗅觉测试在评估大脑活动方面存在局限性.
- 精确的嗅觉功能评估对于人类生命和疾病检测至关重要.
研究的目的:
- 开发和验证使用fMRI数据评估嗅觉功能的先进计算方法.
- 根据大脑活动模式,区分健康个体和有嗅觉障碍的人.
- 建立一种新的,客观的方法来评估与嗅觉相关的大脑区域.
主要方法:
- 使用的k-means无监督聚类用于fMRI数据分析和大脑分片.
- 开发了一个结合ResNet卷积神经网络 (CNN) 和长短期记忆 (LSTM) 网络的深度学习模型.
- 使用功能磁共振成像 (fMRI) 来捕捉与嗅觉处理相关的大脑活动.
主要成果:
- K-means集群有效识别了活性大脑区域,用于嗅觉功能分析.
- 拟议的CNN-LSTM深度学习模型在对象的分类中实现了97%的准确率.
- 在群体平均值和个体受试者数据之间没有发现显著差异,这表明模型的性能强大.
结论:
- 像K-means这样的无监督学习算法可以可靠地检测参与嗅觉功能的大脑区域.
- CNN-LSTM架构在分类嗅觉fMRI数据方面表现出卓越的准确性.
- 本研究提出了一种详细的,新的方法来分析嗅觉fMRI数据,推进客观的嗅觉评估.
