通过协作领域适应改善晚年抑郁症分析:从异质结构性MRI学习

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 老年精神病学是一门精神病学专业.

背景情况:

• 通过脑MRI准确识别晚年抑郁症 (LLD) 对临床监测至关重要.
• 现有LLD研究中的有限数据损害了模型可靠性.
• 跨研究的MRI数据采集的异质性阻碍了概括性.

研究的目的:

• 提出一个协作域适应 (CDA) 框架,用于使用T1加权的MRI检测LLD.
• 利用来自大型辅助数据集的知识来改善在小型目标数据集中的LLD检测.
• 为了提高LLD检测模型在不同MRI采集设置中的通用性.

主要方法:

• 开发了一个CDA框架,整合了全球特征的视觉转换器 (ViT) 和局部特征的卷积神经网络 (CNN).
• 预先训练有素的ViT和CNN编码器对9544张来自公共群体的MRI进行了预先训练.
• 员工监督培训,特征对齐微调,以及对未标记的目标MRI与增强样本的协作培训.

主要成果:

• 与LLD检测中最先进的方法相比,CDA框架显示出更高的性能.
• 从238名受试者获得T1加权的MRI的更高分类准确度.
• 展示了改进的跨领域概括能力.

结论:

• 拟议的CDA框架有效地解决了LLDMRI研究中的数据限制和异质性.
• CDA为可靠和可通用的LLD检测提供了一个强大的解决方案.
• 这种方法有望促进晚年抑郁症的临床监测.