通过双模式融合卷积网络进行多中心大脑年龄预测

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 准确的脑年龄预测对于理解神经发育和疾病进展至关重要.
• 现有的模型与多中心数据集扎,特别是那些样本大小小小的数据集.
• 当前的大脑年龄预测通常将其视为回归或分类问题,限制了准确性.

研究的目的:

• 开发一个强大的多中心数据校正方法用于大脑年龄预测.
• 引入一种双模态融合卷积神经网络 (BrainDCN),以提高预测准确度.
• 在小样本数据集上增强大脑年龄预测模型的概括性和临床适用性.

主要方法:

• 使用瓦瑟斯坦距离和最大平均差异的多中心数据校正策略.
• 一个大脑双模式融合卷积神经网络 (BrainDCN) 与关节损失功能 (MAE和交叉).
• 使用从单中心训练集中获得的矩阵和向量进行特征权衡,用于多中心应用.

主要成果:

• 与最先进的模型相比,BrainDCN模型在CamCAN数据集上实现了最低的平均绝对误差.
• 多中心校正方法在四个神经成像数据集中表现出卓越的性能,优于现有方法.
• 对多中心精神分裂症数据的应用显示,与对照组相比,平均加速衰老.

结论:

• 拟议的多中心校正方法和BrainDCN模型显著提高了大脑年龄预测的概括性和准确性.
• 关节损失函数和加权特征进一步提高了预测性能.
• 这项研究为多中心大脑年龄预测提供了基础方法,对于小样本研究具有强大的临床潜力.