3T扩展起始网络用于增强自闭症谱系障碍诊断,使用静止状态fMRI数据
1Department of Computational Intelligence, School of Computing, SRM Institute of Science and Technology, Kattankulathur, Tamilnadu India.
Cognitive neurodynamics
|January 16, 2025
概括
这项研究介绍了3T扩展初始网络 (3T-DINet),用于使用脑成像改善自闭症谱系障碍 (ASD) 诊断. 这种新的深度学习模型提高了早期检测和患者治疗结果.
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:
- 自闭症谱系障碍 (ASD) 由于不同的症状和严重程度, presents复杂的诊断挑战.
- 目前用于ASD诊断的深度学习 (DL) 方法往往在准确性,计算效率和过度拟合方面面临限制.
研究的目的:
- 引入一个创新的深度学习框架,3T扩展开端网络 (3T-DINet),以有效诊断ASD.
- 利用静止状态功能磁共振成像 (rs-fMRI) 提高诊断能力.
主要方法:
- 3T-DINet使用了一种新的3T扩展初始模块,具有扩展卷积,以从大脑连接模式中提取多尺度特征.
- 剩余网络 (ResNets) 被纳入以减轻消失梯度并改善特征提取.
- 基于交叉的黑寡妇优化 (CBWO) 算法用于超参数调整以优化模型性能.
主要成果:
- 与现有方法相比,3T-DINet在五个ASD数据集中表现出卓越的诊断性能.
- 该模型有效地提取本地,中级和全球大脑特征,使用并行扩展的卷积.
结论:
- 3T-DINet在ASD的早期诊断方面取得了重大进展.
- 这一框架有可能通过更准确,更有效的诊断来改善患者治疗结果.
关键词:
自闭症谱系障碍 自闭症谱系障碍黑寡妇优化 黑寡妇优化分类 分类 分类 分类.深度学习是一种深度学习.扩展的卷曲扩大了卷曲.开始模块的开始模块.多尺度特征提取多尺度特征提取神经成像是一种神经成像.剩余的网络 剩余的网络休息状态的fMRI.更多相关视频
10:43Developing Neuroimaging Phenotypes of the Default Mode Network in PTSD: Integrating the Resting State, Working Memory, and Structural Connectivity
Published on: July 1, 2014
15.0K
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
10.9K
