基于正常化组激活的特征提取技术,使用异质数据进行阿尔茨海默氏症疾病分类

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 深度学习网络对于在神经成像中识别阿尔茨海默病 (AD) 模式至关重要.
• 虽然研究了个体激活功能,但神经成像中的群体激活缺乏全面的探索.
• 现有的方法可能无法完全捕捉AD的复杂缩模式.

研究的目的:

• 提出一种新的特征提取技术,使用正常化的群组激活来检测阿尔茨海默病.
• 开发适用于结构性MRI和静止状态fMRI (rs-fMRI) 的自动诊断系统.
• 在多个AD阶段和异质成像特征中评估系统的性能.

主要方法:

• 一个两阶段的方法:多特征凝聚特征提取和区域协会网络.
• 使用多层卷积网络从大脑区域提取特征.
• 培训区域协会网络,以正常化的群组激活和向分类器输入输出.
• 对各种特征 (曲线,波形,纹理等) 的测试. 和多队列的ADNI数据.

主要成果:

• 拟议的系统证明了对多个阿尔茨海默病阶段的有效分类.
• 在轻度认知障碍 (MCI) 分类中实现了1-4%的性能提升.
• 在rs-fMRI时间序列和MRI数据上展示了区分能力和效率.

结论:

• 规范化组激活特征提取方法对于AD诊断是有效的.
• 该自动化系统显示了使用神经成像数据对阿尔茨海默病各个阶段的分类的前景.
• 这种技术为在AD研究中推进神经成像分析提供了有价值的工具.