基于Denoising自编码器的深度正规相关融合算法用于ASD诊断和病原性大脑区域识别

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 自闭症谱系障碍 (ASD) 是一种神经发育状况,其特征是异常的神经活动.
• 早期干预对于管理ASD进展至关重要.
• 目前的诊断方法通常使用结构性 (sMRI) 和静止状态功能性MRI (rs-fMRI),但自动编码器应用仍然未得到充分探索.

研究的目的:

• 引入和评估一个新的框架,基于Denoising Autoencoder (DCCF-DAE) 的深度法典关系融合算法,用于自闭症谱系障碍的分类.
• 通过使用高维神经成像数据,探索自编码器在疾病分类中的有效性.
• 整合功能和结构MRI数据,以加强ASD诊断和关键大脑区域的识别.

主要方法:

• 开发DCCF-DAE框架,利用先进的自动编码器,从多式联络神经成像数据中高效地提取特征.
• 应用深度法定关联融合 (DCCF) 模型来整合提取的特征.
• 使用融合特征用于自闭症谱系障碍分类和兴趣区域 (ROI) 识别.

主要成果:

• DCCF-DAE框架证明了对高维数据的有效处理.
• 通过DCCF整合功能和结构数据,提高了ASD诊断的准确性.
• 与使用ABIDE数据库的其他方法相比,提出的框架在ASD诊断方面取得了出色的表现.

结论:

• DCCF-DAE框架显示出作为一种用于准确早期诊断自闭症谱系障碍的工具的巨大潜力.
• 该方法有效地整合了多式联络神经成像数据,为ASD机制提供了洞察力.
• 这种方法强调了先进的自编码器和融合技术在神经发育障碍研究中的价值.