相关实验视频
Updated: May 4, 2026
06:35
Basics of Multivariate Analysis in Neuroimaging Data
Published on: July 24, 2010
16.9K
使用生成对抗网络和图形卷积网络用于基于神经成像的诊断分类
Nguyen Huynh1, Da Yan2, Yueen Ma3
1Auburn University Neuroimaging Center, Department of Electrical and Computer Engineering, Auburn University, Auburn, AL 36849, USA.
Brain sciences
|May 25, 2024
概括
这项研究表明,生成对抗网络 (GAN) 和图形卷积网络 (GCN) 使用功能连接 (FC) 数据显著改善脑疾病分类. 增强GAN数据增强了多个数据集的诊断准确性,优于其他机器学习模型.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 医疗成像医学成像
背景情况:
- 休息状态fMRI的功能连接 (FC) 对于大脑疾病的分类至关重要.
- 传统的机器学习需要对FC数据进行专门的特征选择.
- 像CNN这样的深度学习模型擅长使用网格数据,但往往忽视大脑网络中的图形结构.
研究的目的:
- 评估图形卷积网络 (GCN) 和生成对抗网络 (GAN) 的概括性,用于大脑疾病的分类.
- 评估基于GAN的数据增强在改善不同数据集的诊断准确性的有效性.
- 将GCN和GAN的性能与既有机器学习模型和BrainNetCNN进行比较.
主要方法:
- 利用GCN分析大脑网络结构并提取信息特征.
- 采用GAN进行数据增强,以解决有限的培训样本,并增强模型概括性.
- 在多个公共数据集 (ADHD,ABIDE-II,ADNI) 和内部PTSD数据集上应用和验证模型.
主要成果:
- 在ADHD,ABIDE-II和ADNI数据集中,GAN数据增强显著提高了诊断准确度.
- 在ADHD (67.74%至73.96%),ABIDE-II (70.36%至77.40%) 和ADNI (52.84%至88.56%) 中,GAN实现了准确度的提高.
- GCN表现出强的表现,在ADHD和ABIDE-II数据集上实现了高精度,在PTSD数据集上,GAN和GCN都达到了97.76%的精度.
结论:
- GAN和GCN显示出改善大脑疾病预测和诊断的巨大潜力.
- GAN的数据增强能力在提高有限数据的分类准确性方面特别有效.
- 这些基于图形的深度学习方法的进一步研究和开发对于临床应用是有必要的.
