一个机器学习分类框架,使用化分形属性特征向量来诊断阿尔茨海默病

科学领域:

• 神经科学是一个神经科学.
• 网络科学 网络科学
• 医疗成像医学成像

背景情况:

• 阿尔茨海默病 (AD) 改变了大脑组织和网络结构.
• 了解AD的进展需要分析大脑网络拓学.
• 现有的研究往往忽略了多尺度网络的特性.

研究的目的:

• 开发一个新的框架来分类阿尔茨海默病,使用碎形属性和重新规范化组方法.
• 探索AD患者和认知正常个体的大脑网络的多层次拓特征.
• 通过先进的网络分析,提高阿尔茨海默病诊断的准确性.

主要方法:

• 应用了重新规范化小组方法来重新调整AD患者和认知正常 (CN) 个体的灰质大脑网络,跨越三个尺度.
• 在不同尺度上研究了这些网络的碎形属性.
• 来自多个尺度的集成分法度量,以创建用于分类的融合特征向量.

主要成果:

• 无论是CN还是AD的大脑网络,在原始和重新规范的尺度上都表现出碎形属性.
• 该分类框架使用来自原始和重新规范网络的平均连接比率的融合特征向量实现了最佳性能.
• 使用这种融合特征向量的一维卷积神经网络模型达到92.59%的准确性和91.19%的F1得分.

结论:

• 拟议的基于分类和重新规范化组的框架为阿尔茨海默病的分类提供了一个有前途的方法.
• 对大脑网络拓学的多尺度分析,特别是平均连接比率,对于准确的AD诊断至关重要.
• 这种方法与传统的拓指标相比,显示出更高的性能,这表明了临床应用的潜力.