对阿尔茨海默病诊断的特定领域信息的保存与不完整的多模式神经图像
Haozhe Xu1, Jian Wang2, Qianjin Feng3
1School of Biomedical Engineering, Southern Medical University, Guangzhou 510515, China; Department of Radiotherapy, State Key Laboratory of Oncology in South China, Guangdong Provincial Clinical Research Center for Cancer, Sun Yat-sen University Cancer Center, Guangzhou 510515, China; Guangdong Provincial Key Laboratory of Medical Image Processing, Southern Medical University, Guangzhou 510515, China; Guangdong Province Engineering Laboratory for Medical Imaging and Diagnostic Technology, Southern Medical University, Guangzhou 510515, China.
Medical image analysis
|January 11, 2025
概括
这项研究引入了一种新的框架,用于使用不完整的神经成像数据诊断阿尔茨海默病 (AD). 该方法有效地归纳缺失的数据,同时保留每个成像类型的独特信息,以进行准确的诊断.
科学领域:
- 神经成像是一种神经成像.
- 医学诊断 医学诊断 医学诊断
- 人工智能的人工智能
背景情况:
- 多模式神经成像有助于阿尔茨海默病 (AD) 的早期诊断.
- 神经成像中缺少的数据对强大的模型训练构成了重大挑战.
- 现有的归算方法可能忽略了对AD诊断至关重要的模式特定信息.
研究的目的:
- 提出一种新的AD诊断框架,使用不完整的多模式神经图像.
- 为了应对缺少数据的挑战,同时保持模式特定的信息.
- 在临床环境中提高AD诊断的准确性.
主要方法:
- 开发了一个域特定信息保护 (DSIP) 框架.
- 引入了一个特异性诱导的生成对抗网络 (SIGAN) 用于模式归算.
- 设计了一个特异性促进诊断网络 (SPDN) 用于疾病状态的识别.
主要成果:
- SIGAN有效地弥合了模式差距,并捕捉了模式特定的细节,以实现高质量的归算.
- SPDN 增强了模式间的功能交互和分类器的稳定性.
- 拟议的DSIP框架在归算和诊断任务中明显优于最先进的方法.
结论:
- DSIP框架为AD诊断提供了一个强大的解决方案,使用不完整的多模式神经图像.
- 保护特定领域的信息对于准确的归算和诊断至关重要.
- 这种方法增强了多模式神经成像在临床AD检测中的实用性.
