使用多式3D成像数据和图形卷积网络识别轻度认知障碍
Shengbin Liang1, Tingting Chen1, Jinfeng Ma1
1School of Software, Henan University, Kaifeng 475004, People's Republic of China.
Physics in medicine and biology
|November 19, 2024
概括
本研究引入了一种新的图形卷积网络 (GCN) 模型,用于使用多式3D成像数据早期检测轻度认知障碍 (MCI). 该模型在分类MCI方面取得了高准确性,有助于预测阿尔茨海默病.
科学领域:
- 神经成像和人工智能的人工智能
- 计算神经科学是一种神经科学.
- 医学诊断 医学诊断 医学诊断
背景情况:
- 轻度认知障碍 (MCI) 是痴呆症和阿尔茨海默病 (AD) 的预发性阶段,需要及早识别以及时干预.
- 由于微妙的认知衰退和需要整合多样化的数据来源,准确诊断MCI具有挑战性.
研究的目的:
- 开发和评估一种新型的多式3D成像数据集成图形卷积网络 (GCN) 模型,用于准确的MCI识别.
- 评估模型在对正常对照 (NC) 进行早期MCI (EMCI) 和晚期MCI (LMCI) 的分类方面的表现.
主要方法:
- 使用3D-VGGNet从多式成像数据 (sMRI,FDG-PET) 中提取特征.
- 构建了一个人口稀疏图集成成像和非成像功能,优化连接与对对属性估计 (PAE).
- 采用基于人口的GCN来为MCI分类合并多式联运特征.
主要成果:
- 在AD神经成像倡议数据集上实现了高分类准确率:98.57% (NC-EMCI),96.03% (NC-LMCI) 和96.83% (EMCI-LMCI).
- 在AUC,特异性,灵敏度和F1分数方面,与最先进的模型相比,表现出更好的性能.
- 在ABIDE数据集上显示出出色的概括能力,对自闭症诊断的准确率为91.43%.
结论:
- 拟议的GCN模型有效地整合了多式联络成像数据,以实现强大的MCI识别.
- 这种方法对阿尔茨海默氏症的早期预警和对其他神经退行性疾病的智能诊断具有重大潜力.
- 该模型的强大性能和概括性突出显示了它在脑疾病诊断中的临床实用性.
