3D因果深度学习中的维度缩小用于神经图像生成:一项评估研究
Erik Y Ohara1,2, Vibujithan Vigneshwaran2, Raissa Souza1,2,3,4
1University of Calgary, Biomedical Engineering Graduate Program, Calgary, Alberta, Canada.
Journal of medical imaging (Bellingham, Wash.)
|April 25, 2025
概括
减小尺寸 (DR) 方法对反事实的神经图像产生产生影响. 三维主要组件分析 (3D PCA) 为神经成像分析中的因果深度学习模型提供了最佳平衡.
科学领域:
- 医学成像医学成像
- 人工智能的人工智能是人工智能.
- 神经科学是一个神经科学.
背景情况:
- 使用规范化流程的因果深度学习 (DL) 为医学应用产生反事实图像,例如可解释性和in-silico研究.
- 高分辨率的3D神经图像需要维度减小 (DR) 来实现计算效率高的DL模型训练.
- 选择DR方法显著影响反事实神经图像生成的质量和可靠性.
研究的目的:
- 为了比较各种DR技术对反事实神经图像生成的影响.
- 在神经成像中确定因果DL应用的最佳DR方法.
主要方法:
- 五种DR技术应用于23,692张3D大脑图像:二维PCA,2.5DPCA,3DPCA,自编码器和VQ-VAE.
- 因果DL模型被训练在缩小尺寸数据上.
- 卷积神经网络使用平均绝对误差 (MAE) 和分类准确度评估了反事实图像中的年龄和性别变化.
主要成果:
- 2.5D PCA为年龄变化产生了最低的MAE (4.16).
- 自动编码器嵌入实现了最高的性别分类准确性 (97.84%),但将年龄MAE增加到5.24.
- 在改变年龄时,3D PCA显示出平衡的性能,年龄MAE为4.57,性别分类准确度为94.01%,在改变性别时年龄MAE为3.84,准确度为94.73%.
结论:
- 3D PCA是最适合用于因果神经图像分析的DR方法.
- 选择DR技术对神经成像中的因果DL模型的性能产生了重大影响.
- 3D PCA在准确性和效率之间提供了强大的平衡,用于生成可靠的反事实神经图像.
