使用基于自编码的区域选择方法和罗卷积神经网络在皮层下大脑体积图像中识别自闭症
Anas Abu-Doleh1, Isam F Abu-Qasmieh1, Hiam H Al-Quran1
1Biomedical Systems and Informatics Engineering Department, Yarmouk University, Irbid 21163, Jordan.
International journal of medical informatics
|November 19, 2024
概括
这项研究使用脑MRI和两阶段机器学习模型增强了自闭症谱系障碍 (ASD) 的识别能力. 该方法准确地识别了关键的皮质下大脑区域,提高了ASD的诊断能力.
科学领域:
- 神经成像和机器学习
- 发育神经科学的发展神经科学.
背景情况:
- 自闭症谱系障碍 (ASD) 诊断仍然具有挑战性,因为症状的变化和主观评估.
- 先进的神经成像和机器学习为改进ASD检测提供了潜力.
- 专注于皮质下大脑区域对于理解ASD病理学至关重要.
研究的目的:
- 为了提高自闭症谱系障碍 (ASD) 的识别,使用大脑MRI数据.
- 通过先进的计算方法提高ASD诊断的准确性和可解释性.
- 识别与ASD相关的关键皮质下大脑区域.
主要方法:
- 从脑MRI数据集中提取了皮下结构.
- 使用3D自编码器识别与ASD相关的大脑区域.
- 用特征选择方法和罗卷积神经网络 (SCNN) 来进行分类.
主要成果:
- 3D自编码器成功地识别和重建了ASD中显著的皮下区域.
- 普塔门和帕利杜姆等地区表现出高度一致,表明它们在区分ASD方面的重要性.
- 使用相互信息特征的SCNN分类器实现了0.66.6的分类准确度.
结论:
- 结合自编码器和SCNN的两阶段模型显著改善了脑MRI的ASD分类.
- 代特征提取增强了与ASD相关的大脑区域的识别.
- 提出的方法提高了分类性能和神经成像数据的解释性.
