使用脱相关卷积神经网络识别帕金森病:解决rs-fMRI数据中的不平衡和扫描器偏差

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:

• 帕金森病 (PD) 是一种进展性神经退行性疾病,原因不明,没有确定的诊断测试.
• 医学神经成像中的深度学习功能强大,但易受数据集偏差的影响,阻碍了准确的PD诊断.
• 现有的方法与不平衡的数据集和扫描器变异性作斗争,影响人工智能驱动的诊断工具的可靠性.

研究的目的:

• 引入一种创新的脱相关深度学习技术,以减轻PD检测神经成像中的类和扫描器偏差.
• 开发一种脱相关卷积神经网络 (DcCNN) 框架,用于从静止状态功能性MRI (rs-fMRI) 数据中学习偏差不变的特征.
• 提高人工智能模型的准确性和稳定性,用于诊断帕金森病,解决当前方法的局限性.

主要方法:

• 对卷积神经网络 (CNN) 应用了一种 decorrelation 函数,以减少非线性相关性和偏差,学习偏差不变特征.
• 拟议的脱相关联CNN (DcCNN) 框架在不平衡的,单扫描仪帕金森氏症进展标记者倡议 (PPMI) 数据集上得到了验证.
• 该框架已扩展到多扫描器数据集 (PPMI和FTLDNI),以评估使用特征提取-DcCNN (FE-DcCNN) 的扫描器偏差删除.

主要成果:

• 通过消除类偏差,DcCNN框架显著提高了PD识别精度,在不平衡的数据集上表现优于传统方法.
• 集成的 decorrelation 功能提高了性能,在缓解偏差方面表现出有效性.
• FE-DcCNN模型成功地消除了扫描器偏差,在多扫描器数据集上实现了77.80%的平均准确性,将PD与健康对照区分开来.

结论:

• 脱相关深度学习提供了一种有希望的方法来克服神经成像数据集中的偏见,以改善帕金森病的诊断.
• 拟议的DcCNN和FE-DcCNN模型在处理不平衡的数据和扫描器变化方面表现出卓越的性能.
• 这种技术有可能在医学神经成像分析中得到更广泛的应用,提高基于AI的诊断工具的可靠性.