使用大脑磁共振图像对更高水平步行障碍进行分类的优化整体搜索方法

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 高级行走障碍 (HLGD) 影响高达6%的老年人,与大脑结构的联系不清楚.
• 了解HLGD的神经基础对于诊断和治疗至关重要.

研究的目的:

• 调查深度学习从磁共振图像 (MRI) 检测HLGD的能力.
• 开发和优化用于HLGD分类的卷积神经网络集合.
• 为了确定与HLGD相关的形态大脑差异.

主要方法:

• 使用了基于人口的大型队列数据集 (VESPR).
• 开发了一种新的,具有成本效益的算法,以创建一个最佳的深度学习模型集.
• 将模型多样性纳入组合选择成本函数.

主要成果:

• 优化的整体模型显著优于单个网络,其他聚变技术和线性放射测量.
• 在使用MRI数据识别HLGD时表现出卓越的性能.
• 在HLGD患者和对照人群之间发现了显著的形态大脑结构差异.

结论:

• 深度学习,特别是组合卷积神经网络,对于从MRI中检测HLGD是有效的.
• 模型多样性是成功执行这个任务的关键因素.
• 这些发现突出了HLGD中独特的大脑形态,需要进一步研究特定的受影响区域和病理生理学.