一个多过器深度转移学习框架,用于基于图像的自闭症谱系障碍检测
Rodrigo Colnago Contreras1,2,3, Monique Simplicio Viana4, Victor José Souza Bernardino5
1Department of Science and Technology, Institute of Science and Technology, Federal University of São Paulo (UNIFESP), São José dos Campos, SP, 12247-014, Brazil. contreras@unifesp.br.
Scientific reports
|April 24, 2025
概括
这项研究引入了一种新的计算框架,用于使用面部图像分析早期发现自闭症谱系障碍 (ASD). 这种方法增强了深度学习模型,大大提高了自闭症的诊断准确性.
科学领域:
- 计算神经科学是一种计算神经科学.
- 医疗图像分析 医疗图像分析
- 机器学习用于医疗保健
背景情况:
- 自闭症谱系障碍 (ASD) 影响全球人口,其特点是社会沟通缺陷和重复行为.
- 早期发现ASD对于有效的治疗干预至关重要,但传统的诊断方法往往是主观的.
- 计算机视觉技术的进步为自动自闭症检测提供了潜力,特别是通过面部特征分析.
研究的目的:
- 提出一种新的计算框架,用于增强深度学习模型,以识别与ASD相关的面部特征.
- 解决基于图像的ASD检测方面的挑战,包括有限的数据,可变的图像条件和高维特征.
- 提高自动化ASD检测系统的准确性和效率.
主要方法:
- 开发了一个整合数据增强,多过,直方图等分和二阶段维度缩小的框架.
- 将框架应用于预训练和冷的深度学习模型 (例如,ResNet-50,ViTSwin) 进行图像模式识别.
- 利用包括自闭症和非自闭症个体在内的基准面部数据集进行实验验证.
主要成果:
- 与基线模型相比,拟议的框架将ResNet-50的分类准确度提高了高达10.5% (从79.5%到90.0%).
- 像ViTSwin这样的基于变压器的模型达到高达93.5%的准确性,证明了框架的稳定性.
- 在各种架构和配置中观察到一致的改进,经过废除研究证实了这一点.
结论:
- 综合框架显著增强了基于深度学习的方法,用于自动检测ASD.
- 该方法提供了一个轻量级的,确定性的管道,而不需要对预先训练的网络进行微调.
- 这种方法显示出作为一种帮助更早,更准确的自闭症诊断的工具的希望.
