相关实验视频
Updated: Jul 31, 2026
06:35
Basics of Multivariate Analysis in Neuroimaging Data
Published on: July 24, 2010
16.8K
使用波形域中的多维卷积神经网络用于从sMRI数据中对精神分裂症进行分类的整体方法
Tamilarasi Sarveswaran1, Vijayarajan Rajangam2
1School of Electronics Engineering, Vellore Institute of Technology, Chennai, India.
Scientific reports
|March 26, 2025
概括
本研究引入了一种使用多维卷积神经网络 (CNN) 和结构磁共振成像 (sMRI) 来准确检测精神分裂症的新型深度学习模型. 拟议的模型实现了98.9%的高分类精度.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 精神病学是一个精神病学.
背景情况:
- 精神分裂症是一种复杂的精神障碍,影响思想,感知和情绪反应,导致显著的功能障碍.
- 结构磁共振成像 (sMRI) 提供了对大脑解剖学的非侵入性可视化,对于识别结构异常至关重要.
- 深度学习模型,特别是卷积神经网络 (CNN),在分析复杂的医学成像数据方面表现有前途.
研究的目的:
- 通过使用sMRI数据,研究多维CNN架构 (1D-CNN,2D-CNN,3D-CNN) 对使用sMRI数据进行精神分裂症分类的有效性.
- 开发和评估一种新的深度学习模型,通过离散波形转换 (DWT) 域优化从sMRI提取特征.
- 通过先进的神经成像分析技术,提高精神分裂症检测的准确性和概括性.
主要方法:
- 利用多维CNN架构 (1D-CNN,2D-CNN,3D-CNN) 应用于由DWT分解的sMRI数据的子带 (CD,CH,CV).
- 在DWT域内使用特征提取技术,以捕捉sMRI中的纹理变化,边缘和细节.
- 实施了最大限度的投票技术,以优化来自组合多维CNN模型的分类.
主要成果:
- 个别的CNN架构实现了93.2% (1D-CNN),95.8% (2D-CNN) 和98.0% (3D-CNN) 的精度.
- 拟议的综合模型表现出卓越的性能,平均分类准确率为98.9%.
- 该模型在两个独立的数据集中显示了令人信服的概括,表明精神分裂症检测的稳定性.
结论:
- 多维CNN有效地从dwt领域的sMRI数据中提取相关特征,用于精神分裂症分类.
- 建议的基于投票的最大深度学习模型显著提高了精神分裂症的分类准确性.
- 这种方法为基于神经成像的精神分裂症诊断提供了一个有希望的,高度准确和可通用的工具.
