一种空间时空图形变压器方法用于用rs-fMRI诊断阿尔茨海默病
Peng He1, Zhan Shi1, Yaping Cui1
1School of Communications and Information Engineering, Chongqing University of Posts and Telecommunications, Chongqing, 400065, China; Advanced Network and Intelligent Connection Technology Key Laboratory of Chongqing Education Commission of China, Chongqing, 400065, China; Chongqing Key Laboratory of Ubiquitous Sensing and Networking, Chongqing, 400065, China.
Computers in biology and medicine
|June 22, 2024
概括
这项研究引入了一种新的时空图形变换器网络 (STGTN),用于使用脑成像进行精确的阿尔茨海默病诊断. 通过对抗训练增强的STGTN模型显著提高了阿尔茨海默病和轻度认知障碍的诊断准确性.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 神经学 神经学
背景情况:
- 阿尔茨海默病 (AD) 诊断依赖于早期检测以进行有效的干预.
- 休息状态功能磁共振成像 (rs-fMRI) 显示了AD诊断的前景.
- 目前的rs-fMRI方法往往忽略了时空特征,并且在有限的数据和噪声中扎.
研究的目的:
- 提出一个新的时空图形变换器网络 (STGTN),用于自动化AD诊断.
- 通过有效地从rs-fMRI数据中提取时空特征来增强AD诊断.
- 通过对抗训练来解决数据局限性并提高模型稳定性.
主要方法:
- 空间时间图形转换器网络 (STGTN) 的开发,以分析 rs-fMRI 数据.
- 实施对抗性培训策略,以生成对抗性示例 (AE) 用于数据增强.
- 评估模型在对阿尔茨海默病 (AD) 与正常控制 (NC) 以及早期轻度认知障碍 (eMCI) 与晚期轻度认知障碍 (lMCI) 的分类中的表现.
主要成果:
- 在分类AD与NC时,STGTN的准确度达到了92.58%.
- 在使用对抗训练时,STGTN在对 eMCI 和 lMCI 的分类中实现了 85.27% 的准确性.
- 该模型与现有的最先进的方法相比,表现出更高的性能.
结论:
- 拟议的STGTN有效地从rs-fMRI中提取关键的时空特征,用于AD诊断.
- 反对训练显著提高了模型的准确性和防噪能力,解决了数据稀缺问题.
- 该模型的空间注意力机制为不同的诊断任务提供了关于特定大脑连接的重要性的见解.
