优化了注意力增强的U-Net,用于MRI中自闭症检测和区域定位
Venkata Ratna Prabha K1, Chinni Hima Bindu2, K Rama Devi1
1Department of ECE, University College of Engineering Kakinada, JNTUK, Kakinada, Andhra Pradesh 533003, India.
Psychiatry research. Neuroimaging
|March 17, 2025
概括
这项研究引入了一种先进的深度学习框架,用于使用MRI扫描检测早期自闭症谱系障碍 (ASD). 优化的模型显著提高了诊断的准确性,并精确定位受影响的大脑区域,帮助及时干预.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 发育神经科学的发展神经科学.
背景情况:
- 自闭症谱系障碍 (ASD) 是一种影响社会和认知技能的神经发育状况,通常在2岁左右被诊断出来.
- 早期发现ASD对于有效的干预和改善结果至关重要.
- 磁共振成像 (MRI) 提供了非侵入性,早期ASD识别的潜力.
研究的目的:
- 开发和验证用于早期自闭症谱系障碍 (ASD) 检测和局部化使用MRI的深度学习框架.
- 通过具有注意力机制的优化深度学习模型来提高分类和本地化性能.
- 提高ASD诊断的准确性和效率,以便及时进行治疗干预.
主要方法:
- 利用了一条涉及MRI图像收集和预处理技术的管道,包括偏差场校正,直方图平衡,文物删除和非局部平均选.
- 开发了一种具有注意力机制 (SSM-AM) 的对称结构移动网络,通过更新意识辅助的基于选择的优化 (RA-EBO) 来优化,用于自闭症分类.
- 采用基于多尺度扩展注意力的自适应U-Net (MDA-AUnet),也由RA-EBO优化,用于异常区域定位.
主要成果:
- 拟议的SSM-AM模型实现了高分类性能,准确度为97.29%,灵敏度为97.27%,特异性为97.36%,精度为98.98%.
- 优化的MDA-AUnet在异常区域定位方面显示出显著的改善.
- 该框架在ASD分类和本地化任务中都超过了现有的方法.
结论:
- 开发的深度学习框架显示了使用MRI对自闭症谱系障碍 (ASD) 的早期和准确诊断的巨大潜力.
- 优化的基于注意力的模型提高了ASD检测的精度和受影响大脑区域的定位.
- 这种方法可以为ASD患者提供更早的干预和个性化治疗策略.
