一种基于表面的深度学习方法用于皮质形状分析
Yanghee Im1, Yuji Zhao2, Boris A Gutman2
1Imaging Genetics Center, Mark and Mary Stevens Neuroimaging and Informatics Institute, Keck School of Medicine, University of Southern California, Marina del Rey, CA, United States.
bioRxiv : the preprint server for biology
|November 18, 2024
概括
使用SPHARM-Net的深度学习可以从脑MRI扫描中准确预测年龄,性别和阿尔茨海默病 (AD). 这种新的方法显示了神经成像分析中临床应用的巨大潜力.
科学领域:
- 神经成像是一种神经成像.
- 深度学习 (Deep Learning) 是一种深度学习.
- 计算神经科学是一种神经科学.
背景情况:
- 深度学习模型可以从人脑图像中预测临床因素.
- 来自MRI的脑形状指标为临床预测提供了有价值的信息.
研究的目的:
- 应用基于球体波的卷积神经网络 (SPHARM-Net) 来预测年龄,性别和阿尔茨海默病 (AD) 诊断.
- 为了评估SPHARM-Net在MRI衍生的大脑形状指标上的表现.
主要方法:
- 利用了SPHARM-Net,这是一个卷积神经网络,用于旋转等差的球体波变换.
- 从MRI扫描中提取的大脑特征,包括顶点智能的皮质曲率,凸度,厚度和表面积.
- 在大型数据集上进行了测试:英国生物库 (N=32,979) 对性别和年龄进行了测试,ADNI (N=1,213) 进行了AD分类.
主要成果:
- 在性别分类中达到高准确度 (准确度=0.91,平衡准确度=0.91,AUC=0.97).
- 在年龄回归方面表现出强的表现 (平均绝对误差=2.97年,R平方=0.77).
- 显示了AD分类的有希望的结果 (精度=0.86,平衡精度=0.83,AUC=0.9).
结论:
- 从脑MRI形状指标来预测年龄,性别和AD的SPHARM-Net显示出有希望的初步性能.
- 该方法对于神经成像中已建立的基准测试任务是有效的.
- 未来的研究将探索与其他基于形状的方法的比较以及情绪障碍分类的应用.
