一种多空间信息表示模型,强调阿尔茨海默病诊断的关键大脑区域,使用结构磁共振成像

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:

• 结构磁共振成像 (sMRI) 对于检测阿尔茨海默病 (AD) 中的大脑异常至关重要.
• 现有的sMRI研究往往忽略了大脑区域之间的非欧几里德空间相互作用.
• 将欧几里德图像数据与非欧几里德图形数据集成,有可能促进AD研究.

研究的目的:

• 探索多空间信息的结合,以提高AD诊断性能.
• 开发一个模型,利用基于图像的欧几里德式和基于网络的非欧几里德式大脑数据.
• 提高早期阿尔茨海默病检测和预测疾病进展的准确性.

主要方法:

• 开发了一个多空间信息表示模型 (MSRNet),结合了欧几里德和图形表示道.
• 欧几里德频道使用了多尺度和功能增强模块.
• 图形通道使用多层图形卷积神经网络和节点连接聚合用于非欧几里德空间信息.

主要成果:

• 在AD诊断方面,MSRNet实现了92.8% (数据库内部) 和90.6% (数据库内部) 的高准确率.
• 该模型在区分轻度认知障碍 (MCI) 的不同阶段方面表现出有效性,准确度为79.8%和73.4%.
• 来自MSRNet的决策得分显示,当与临床指标相结合时,可以提高诊断性能.

结论:

• 该MSRNet模型有效地整合了基于sMRI的AD诊断的多空间信息.
• 在MSRNet中的一个交互机制通过专注于与AD相关的大脑区域来增强诊断能力.
• 这种方法为改善阿尔茨海默病的早期检测和管理提供了有希望的方向.