深度卷积神经网络对三维大脑图像的多类分类进行帕金森病阶段预测

科学领域:

• 神经成像是一种神经成像.
• 人工智能在医学中的应用
• 神经学 神经学

背景情况:

• 帕金森病 (PD) 是一种影响运动功能的神经退行性疾病.
• 准确地确定PD的阶段对于有效的治疗和管理至关重要.
• 功能医学成像,特别是单光子发射计算机断层扫描 (SPECT),对于PD诊断至关重要.

研究的目的:

• 开发和评估深度学习模型,使用3D大脑SPECT图像预测帕金森病的阶段.
• 为了比较2D和3D卷积神经网络 (CNN) 具有和没有注意力机制的性能.
• 调查联合培训的实用性,以提高跨多中心数据集的模型稳定性.

主要方法:

• 用了两个多中心3D SPECT数据集 (n=634,n=202) 来进行帕金森病病期.
• 实现了2D CNN (在ImageNet上进行预训练) 和3D CNN (在Kinetics-400上进行预训练).
• 整合了注意力机制,并采用联合培训来同时进行多数据集培训.

主要成果:

• 在ImageNet上预训练的2D CNN表现优于在Kinetics-400上预训练的3D CNN.
• 结合注意力机制的模型表现出比标准的2D和3D CNNs更优异的性能.
• 联合训练有效地提高了使用足够大的数据集的模型性能.

结论:

• 深度学习模型,特别是带有注意力的二维CNN,显示了使用3D SPECT自动化帕金森病阶段化显著前景.
• 注意力机制增强了模型专注于相关图像特征的能力,以提高诊断准确度.
• 像联合培训这样的多中心培训策略可以提高AI模型在临床神经成像中的通用性和稳定性.