相关实验视频
Updated: May 4, 2026
06:35
Basics of Multivariate Analysis in Neuroimaging Data
Published on: July 24, 2010
16.8K
使用fMRI区域分析,通过基于3D CNN的方法自动检测ADHD
Perihan Gülşah Gülhan1, Güzin Özmen2
1Department of Electrical and Electronics Engineering, Institute of Science, Selcuk University, Konya, Turkey.
Journal of imaging informatics in medicine
|July 19, 2024
概括
这项研究表明,3D卷积神经网络 (CNN) 能够有效地使用大脑活动数据对注意力缺陷多动症 (ADHD) 进行分类. 这种深度学习方法为ADHD诊断支持提供了一个有希望的工具.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 注意缺陷多动性障碍 (ADHD) 是一种流行的神经发育障碍,影响注意力,多动性和冲动性,通常在儿童时期出现.
- 准确诊断ADHD对于及时干预和管理至关重要.
- 目前的诊断方法可能是主观的;从神经成像中积极寻找客观的生物标志物.
研究的目的:
- 使用功能磁共振成像 (fMRI) 数据开发和评估一种用于ADHD分类的新型深度学习模型.
- 研究3D卷积神经网络 (CNN) 架构的有效性,以分析ADHD患者的自发大脑活动.
- 将拟议的3D CNN模型与用于ADHD诊断的完全连接神经网络 (FCNN) 的性能进行比较.
主要方法:
- 使用了ADHD-200数据库,包括来自NeuroImage (NI),纽约大学 (NYU) 和北京大学 (PU) 的数据集.
- 用3D CNN处理的低频波动 (fALFF) 和区域同质性 (ReHo) 数据的使用分数振幅.
- 实施五重交叉验证以管理数据集不平衡,并通过交叉数据集培训和测试评估模型通用性.
主要成果:
- 对于fALFF数据,3D CNN的分类准确率达到76.19% (NI),69.92% (NYU) 和70.77% (PU).
- 与FCNN相比,3D CNN在所有测试的数据集中表现出优越的性能.
- 对于跨数据集的概括性,3D CNN在NI和NYU的培训后在PU数据集上测试时,在fALFF数据上达到69.48%的准确性.
结论:
- 3D CNN方法是使用fMRI获得的fALFF数据对ADHD进行分类的有效方法.
- 这项研究证实了深度学习的潜力,特别是3D CNNs,作为ADHD诊断的决策支持系统.
- 这些发现强调了分析自发大脑活动模式的有用性,以客观评估ADHD.
