通过深度学习揭示的独特的大脑形态学模式改善了对中风后失语症严重程度的预测

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 医疗成像医学成像

背景情况:

• 脑卒中后失言症的严重程度与病变之外的大脑完整性有关.
• 失言症严重程度的个体间变异性仍然无法仅仅通过病变解剖学来解释.
• 三维形态学模式 (例如缩) 可能解释了这种变化.

研究的目的:

• 将深度学习 (CNN) 与经典机器学习 (SVM) 进行比较,以预测慢性中风失语症的严重程度.
• 评估整个大脑形态测量中的编码空间依赖性是否能提高预测准确性.
• 为了识别超出损伤位置的独特预测形态测量模式.

主要方法:

• 卷积神经网络 (CNN) 应用于全脑形态测量和病变解剖学.
• 与支持矢量机器 (SVM) 的比较,包括非线性和缩小维度的技术.
• 分析突出地图以解释CNN预测并识别预测模式.

主要成果:

• 在预测失言症严重程度方面,CNN的表现优于SVM,达到更高的平衡精度和F1分数.
• CNNs确定了分布式形态测量模式,而SVM则专注于病变区域.
• 不同的3D形态学图案,独立于病变大小,与失言症的严重程度有关,并涉及特定的神经网络.

结论:

• 三维形态测量网络分布与失言症的严重程度直接相关.
• 在中风中,CNN显示了改善基于神经成像的结果预测的潜力.
• 在多个尺度上询问空间依赖对于神经成像中的多变量分析是有益的.