将性别与体积匹配的大脑MRI分类

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 人类解剖学 人类解剖学

背景情况:

• 之前关于大脑结构性别差异的研究结果显示效果大小小.
• 多变量方法在性别分类方面表现有前途,但往往忽视了大脑体积控制.
• 由于缺乏音量控制,人们对以前的性别分类准确性的有效性提出了疑问.

研究的目的:

• 为了确定性别分类的准确性,从人类大脑的灰质特性来确定性别分类的准确性,同时控制内体积.
• 在交叉队列预测中评估机器学习分类器的稳定性.
• 调查训练对集体大小的影响,并确定用于性别分类的相关大脑区域.

主要方法:

• 利用来自两个基于人口的群体的MRI数据:波默兰的健康研究 (SHIP) 和人类连接组项目 (HCP).
• 应用后勤回归和3D卷积神经网络 (CNN) 用于性别分类.
• 在内体积上匹配了个体,并进行了跨队列验证.

主要成果:

• 在1166个个体中,逻辑回归实现了>92%的准确性来区分具有匹配的内体积的性别.
• 后勤回归模型在未经再培训的情况下在未见的队列上保持了85%的准确性.
• 随着训练组的大小,分类器的准确性增加,超过3000个人.
• 没有单一的大脑区域主导了分类;重要的特征分布在整个大脑中.

结论:

• 当控制大脑总体体积时,可以从大脑灰质中准确地分类性别.
• 机器学习模型表现出显著的跨队列概括性,并受益于大型训练数据集.
• 性别分类依赖于分布式的大脑特征,而不是局部差异.