基于静止状态功能连接的耳声分类,使用卷积神经网络架构
Qianhui Xu1, Lei-Lei Zhou2, Chunhua Xing2
1Department of Otolaryngology, Sun Yat-sen Memorial Hospital, Sun Yat-sen University, 107 West Yanjiang Road, Guangzhou, Guangdong Province 510120, China.
NeuroImage
|March 11, 2024
概括
一个新的卷积神经网络 (CNN) 模型有效地使用静止状态功能性MRI (rs-fMRI) 功能连接 (FC) 诊断主观耳. 这项研究证实了rs-fMRI FC的存在.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 医学诊断 医学诊断 医学诊断
背景情况:
- 主观耳患者的异常功能连接 (FC) 已被广泛使用休息状态功能MRI (rs-fMRI) 研究.
- rs-fMRI FC作为 tinnitus 的生物标志物的诊断疗效仍然没有得到验证.
- 开发主观耳的客观诊断工具对于临床实践至关重要.
研究的目的:
- 建立一个卷积神经网络 (CNN) 模型,以区分耳患者与健康对照者,基于rs-fMRI FC.
- 评估rs-fMRI FC作为主观耳的成像标记物的诊断价值.
- 为主观耳的临床诊断提供指导和快速诊断工具.
主要方法:
- 在100名耳患者和100名健康对照者的rs-fMRI数据上训练了一名CNN模型.
- 在CNN架构中使用了一个不对称的卷积层.
- 将CNN模型与传统的机器学习和转移学习模型进行了比较,所有模型都在三个不同的大脑地图上进行了测试.
主要成果:
- 与传统和转移学习模型相比,CNN模型表现出优异的性能,在Dos_160地图上实现了曲线下的最高面积 (AUC = 0.944).
- 性能最好的模型确定了默认模式网络,突出网络和感觉运动网络在区分耳患者与对照者的过程中至关重要.
- 结果突出了特定大脑网络在主观耳的客观诊断中的潜力.
结论:
- 开发的CNN模型使用rs-fMRI数据准确诊断耳患者.
- 这项研究证实了rs-fMRI测量的主观耳的功能连接的诊断价值.
- 这些发现支持使用rs-fMRI FC和CNN作为潜在的临床诊断工具.
