一个自我监督的深度学习模型,用于用有限的标记数据检测诊断性硫.
Delfina Braggio1,2, Hernán C Külsgaard3,4, Mariana Vallejo-Azar3,5
1Consejo Nacional de Investigaciones Científicas y Técnicas, CONICET, Buenos Aires, Argentina. delfinabraggio@pladema.exa.unicen.edu.ar.
Neuroinformatics
|January 8, 2025
概括
这项研究引入了一种深度学习模型,用于自动检测对角突 (ds),这是一个小但重要的大脑特征. 该模型实现了高精度,性能优于现有方法,并有助于人口层面分析.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 硫是影响认知和行为的关键大脑结构.
- 三级,像对角 (ds),很难自动检测.
- ds对于语言处理至关重要,其流行率为50-60%.
研究的目的:
- 开发和验证一个深度学习模型,用于准确地自动检测对角突 (ds).
- 为了解决DS识别中现有的硫化物细分工具的局限性.
- 探索自我监督和微调学习的应用,以有限的标记数据来完成这个任务.
主要方法:
- 使用卷积式自编码器对未标记的大脑数据进行自我监督的学习.
- 在有限的标记数据集上对预训练模型进行了微调,以用于DS检测.
- 在手动标签中使用了封闭图来解释模型的可解释性,并分析了评分器间的可靠性.
主要成果:
- 在测试组中获得了0.7176 (SD=0.0736) 的平均F1得分,在持有组中达到0.72.
- 该模型的性能超过了标准软件和替代深度学习方法.
- 解释性分析显示,该模型侧重于相邻的硫酸盐,类似于专家注释.
结论:
- 拟议的深度学习模型提供了一种强大而准确的方法,用于自动检测对角突.
- 微调方法有效地利用有限的标记数据用于专门的脑结构识别.
- 该方法对调查DS流行率及其临床意义的人口水平研究具有前景.
