使用尖端神经网络进行深度学习模型的审查,用于模拟和分析多式联络神经成像数据
Ayesha Khan1, Vickie Shim1, Justin Fernandez1,2
1Auckland Bioengineering Institute, The University of Auckland, Auckland, New Zealand.
Frontiers in neuroscience
|December 1, 2025
概括
尖端神经网络 (SNN) 显示出在医学成像中分析复杂的大脑数据的前景,在神经成像任务中表现优于传统的深度学习 (DL) 模型. 需要进一步的研究来应对多式联运数据融合和临床应用的计算需求的挑战.
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:
- 医学成像对于诊断神经疾病至关重要.
- 传统的深度学习 (DL) 模型难以处理复杂的时空大脑数据.
- 尖端神经网络 (SNN),灵感来自生物神经元,提供高效的时空数据处理.
研究的目的:
- 审查应用SNN在多式联络神经成像分析方面的进展.
- 评估基于SNN的神经成像的趋势,研究主题和地理贡献.
主要方法:
- 对21个选定的出版物的定量和主题分析.
- 在神经成像任务中对SNN性能与传统DL方法的评估.
主要成果:
- 在分类,特征提取和预测任务中,SNN表现出卓越的性能,特别是在多式联网数据方面.
- 确定了包括多式联运数据融合,计算成本和数据集限制在内的持续挑战.
结论:
- 脑神经网络代表了神经学数据分析,预测和诊断的重大进步.
- 未来的工作重点应该是提高神经成像SNN模型的效率和临床适用性.
