E2E-TM:双向特征提取和基于端到端变压器的帕金森病诊断,使用集成的MRI成像和脑电图信号

科学领域:

• 神经学 神经学
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 帕金森病 (PD) 是一种影响运动功能的神经退行性疾病.
• 当前的机器学习 (ML) 和深度学习 (DL) 诊断工具面临着数据多样性和模型通用性的挑战.
• 准确和早期诊断PD对于有效的患者管理至关重要.

研究的目的:

• 开发一种先进的端到端变压器模块 (E2E-TM),用于精确诊断帕金森病.
• 克服现有的ML/DL模型在PD诊断中的局限性,特别是在数据代表性和过度匹配方面.
• 为各种患者群体提高诊断工具的准确性和可靠性.

主要方法:

• 获得和预处理的磁共振成像 (MRI) 和电脑电图 (EEG) 数据.
• 应用了降噪技术 (双边过器,波纹分解) 和超级U-Net用于MRI细分/重建.
• 开发了一种新型的E2E-TM,其中包含一个变压器编码器模块 (TEM),具有多尺度干卷积 (Multi-TC),双向干卷积 (DW-TC) 和双平行注意网络 (DPANet),其次是变压器解码器模块 (TDM).

主要成果:

• 该E2E-TM模型成功地集成和处理了多模式MRI和EEG数据.
• 功能提取和维度减少由TEM组件 (Multi-TC,DW-TC,DPANet) 有效地处理.
• 拟议的E2E-TM模型与已确定的基线方法相比,显示出更高的诊断性能.

结论:

• E2E-TM模型为准确诊断帕金森病提供了强大而有效的解决方案.
• 这种方法在改善PD诊断工具的普遍性和准确性方面表现有希望,跨越多样化的人口统计数据.
• 这项研究强调了先进的深度学习架构在神经退行性疾病诊断中的潜力.