推进基于metaverse的医疗保健与多模式神经成像融合通过多任务对抗变异自动编码器用于大脑年龄估计

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 超宇宙融合了物理和虚拟现实,提供了新的医疗保健应用.
• 人工智能驱动的医学成像,特别是大脑年龄估计,对于检测像阿尔茨海默氏症这样的神经病理非常重要.
• 现有的深度学习方法与用于大脑年龄预测的多模式功能性MRI (fMRI) 数据相扎.

研究的目的:

• 开发一种新的深度学习框架,即多任务对抗变量自编码器 (M-AVAE),用于增强大脑年龄预测.
• 有效地整合结构性MRI (sMRI) 和fMRI数据,以更准确地估计大脑年龄.
• 解决处理复杂的fMRI数据结构和功能连接中的噪声方面的挑战.

主要方法:

• 开发了M-AVAE,这是一个深度学习框架,将潜在变量分为通用和独特的代码.
• 综合多任务学习与性别分类,以考虑性别特定的衰老模式.
• 在OpenBHB多站点大脑MRI数据集上评估了M-AVAE.

主要成果:

• 在M-AVAE中,大脑年龄预测的平均绝对误差为2.77年.
• 与传统方法相比,表现出优越的性能.
• 成功集成多模式MRI数据,隔离共享和模式特定的特征.

结论:

• 该M-AVAE框架显著提高了使用多模式MRI数据的大脑年龄估计的准确性.
• 这种方法对基于元宇宙的医疗保健应用具有前景,特别是在早期检测与年龄相关的大脑疾病方面.
• 开发的框架为推进神经成像分析中的AI提供了一个强大的工具.