在不确定性下增强大脑年龄估计:使用2.5D切片的光谱正常化神经高斯过程方法
Zeqiang Linli1, Xingcheng Liang2, Zhenhua Zhang2
1School of Mathematics and Statistics, Guangdong University of Foreign Studies, Guangzhou, 510420, PR China; Laboratory of Language Engineering and Computing, Guangdong University of Foreign Studies, 510420, Guangzhou, PR China; MOE-LCSM, School of Mathematics and Statistics, Hunan Normal University, Changsha, 410006, PR China.
NeuroImage
|April 3, 2025
概括
这项研究引入了一种新的深度学习方法,即光谱正常化神经高斯过程 (SNGP),用于估计不确定性的大脑年龄. 2.5D方法通过提高准确性和经济有效地整合维度数据来增强临床应用.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 生物标志物开发 生物标志物开发
背景情况:
- 大脑年龄差距是检测大脑异常的一个关键生物标志物.
- 对于大脑年龄估计的深度学习模型缺乏不确定性量化,造成临床风险.
- 现有的3D模型是复杂的,2D方法限制了数据集成.
研究的目的:
- 开发一种具有成本效益的深度学习方法,以不确定性来估计大脑年龄.
- 在单一网络中无地集成维度数据和不确定性估计.
- 用皮尔森相关系数比较大脑年龄不确定性估计的深度学习方法.
主要方法:
- 采用2.5D切片方法引入光谱正常化神经高斯过程 (SNGP).
- 利用11个公共数据集 (N=6327) 进行培训和一个独立数据集 (N=301) 进行验证.
- 进行了五项受控实验,以验证SNGP方法的性能和能力.
主要成果:
- SNGP表现出极好的不确定性估计和概括 (MAE=2.95在公开数据集上,MAE=3.47在独立数据集上).
- 不确定性调整在ADHD青少年中提高了38%的加速大脑衰老检测.
- 2.5D方法的性能优于2D方法,而SNGP显示出了分布外检测能力.
结论:
- SNGP提供了一种具有成本效益的方法,用于使用2.5D切片的不确定性来估计大脑年龄.
- 该方法通过提高性能和数据集成而提高临床应用,而不会增加复杂性.
- 该研究验证了SNGP的稳定性,概括性和潜力,用于检测神经发育和与衰老相关的异常.
