使用内在连接网络和增量提升卷积神经网络对精神分裂症的分类
概括
这项研究引入了一种新的深度学习方法,用于使用休息状态功能磁共振成像 (fMRI) 诊断精神分裂症 (SZ). 该方法在区分SZ患者和健康对照者方面达到98%以上的准确性,识别了关键的大脑网络差异.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 精神病学是一个精神病学.
背景情况:
- 休息状态功能磁共振成像 (fMRI) 网络分析面临的挑战是由于高个体间的变化和噪声.
- 使用fMRI精确预测精神疾病,如精神分裂症 (SZ) 是至关重要的,但受到数据不一致的阻碍.
研究的目的:
- 开发和验证一个强大的识别方法来分类精神分裂症 (SZ) 和健康对照 (HCs) 使用大脑功能网络.
- 利用深度学习从功能网络连接 (FNC) 数据中提取增强功能.
主要方法:
- 采用了两阶段的训练方法:使用深层卷积神经网络 (DCNN) 来从FNC图像中提取特征,然后使用梯度增强树木分类器.
- 该方法在大量SZ和HC个体的数据集上进行了评估,并进行了单独的验证和培训.
主要成果:
- 梯度增强树木分类器显著超过了单独的DCNN和支向量机器基线 (77%的准确性).
- 开发的系统在区分SZ患者和HC患者方面实现了超过98%的识别准确度.
- 热图被生成以识别最能预测SZ的特定FNC对,提供对大脑区域相关性的见解.
结论:
- 拟议的两阶段深度学习方法在使用静止状态fMRI对精神分裂症进行分类时表现出高准确度和可靠性.
- 这种方法不仅提供了有效的诊断工具,而且还提高了对精神分裂症神经支的理解.
更多相关视频
08:36Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms
Published on: March 21, 2019
7.2K
14:27Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
Published on: June 26, 2013
15.6K
