在MRI中用于神经退行性模式识别的等级图形引导的上下文表示学习

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 神经退行性疾病 (ND) 是影响中枢神经系统的自身免疫性疾病.
• 深度学习在医学成像中显示出前景,但需要解释性才能获得临床信任.
• 在ND疾病中的病变呈现出复杂的空间模式,挑战传统模型.

研究的目的:

• 开发一种可解释的深度学习分类器,用于常见的自身免疫性神经退行性疾病.
• 改进在脑MRI数据中捕获本地和全球关系以进行诊断.
• 提高AI在神经退行性疾病诊断中的临床接受度.

主要方法:

• 开发了一个残余图神经网络增强视觉变换器 (RG-ViT).
• 磁力共振成像数据以相互连接的贴片的图形表示,用于分析.
• 剩余的连接被集成到GNN框架中,以保留功能并改善消息传递.

主要成果:

• 在检测多发性硬化症 (98.7%),帕金森病 (99.6%) 和阿尔茨海默病 (99.1%) 中,RG-ViT实现了高精度.
• 该模型在全球ND疾病分类的综合数据集上显示出强大的通用性,F1得分为99.2%.
• 该方法有效地解决了基于补丁的MRI分析中的空间断开问题.

结论:

• RG-ViT模型为诊断自身免疫性神经退行性疾病提供了一个高度准确和可解释的解决方案.
• 这种可解释的AI方法可以为临床应用建立医疗专业人员的信心.
• RG-ViT框架显示了在神经病学中推进人工智能驱动的诊断的巨大潜力.