连接式引导的上下文表示学习用于脑疾病诊断

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 使用结构磁共振成像 (sMRI) 诊断大脑疾病的深度学习 (DL) 往往侧重于局部特征,导致概括性差.
• 目前的方法可能会捕获虚假信息,限制它们在不同疾病和数据集中的有效性.
• 了解超越单个领域的内在大脑模式对于强大的诊断模型至关重要.

研究的目的:

• 开发一种新的深度学习模型,用于多种疾病的大脑诊断,捕捉内在的大脑模式.
• 通过专注于连接性质,提高诊断模型的概括能力和稳定性.
• 为了提高脑疾病的计算机辅助诊断的准确性.

主要方法:

• 提出了一种连接式上下文表示学习模型 (CS-CRL),使用视觉转换器 (ViT) 编码器.
• 雇佣了面具重建作为代理任务和Gram矩阵来指导连接信息的表示.
• 专注于捕捉全球背景和生物学上可信的特征聚合.

主要成果:

• 在6个数据集和3个疾病中,CS-CRL在诊断多种脑疾病方面取得了卓越的准确性.
• 该模型在诊断性能方面超过了现有的最先进的方法.
• 证明CS-CRL捕获类似于大脑网络的特性,有效地聚合特征,更容易优化,并且对噪声更强大.

结论:

• 与以前的方法相比,CS-CRL为计算机辅助脑疾病诊断提供了更强大,更准确的方法.
• 捕捉连接性大脑属性提供了一个更生物相关和可概括的特征表示.
• 该模型学习全球上下文和汇总特征的能力增强了其对各种神经疾病的临床实用性.