3DViT-GAT:一个统一的基于图谱的3D视觉转换器和图形学习框架,用于使用结构性MRI数据检测主要抑郁症
Nojod M Alotaibi1, Areej M Alhothali2, Manar S Ali2
1Department of Computer Science, Faculty of Computing and Information Technology, King Abdulaziz University, Jeddah, Saudi Arabia. nalotaibi0351@stu.kau.edu.sa.
Scientific reports
|March 2, 2026
概括
这项研究引入了一种新的深度学习方法,使用视觉转换器和图形神经网络从脑部扫描中检测主要抑郁症 (MDD). 基于Atlas的方法显示出卓越的性能,突出了解剖学先验在诊断MDD中的价值.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 精神病学是一个精神病学.
背景情况:
- 大型抑郁症 (MDD) 是一种广泛的心理健康问题,影响着全球健康.
- 目前使用结构磁共振成像 (sMRI) 的MDD自动检测方法通常依赖于有限的特征提取技术.
- 需要先进的深度学习 (DL) 模型,可以捕捉复杂的大脑模式,以改善MDD诊断.
研究的目的:
- 开发和评估一个统一的DL管道用于使用sMRI数据自动检测MDD.
- 为了比较基于地图集的区域定义策略与管道中的立方体方法的有效性.
- 利用视觉转换器 (ViT) 来提取特征,并利用图形神经网络 (GNN) 来对MDD进行分类.
主要方法:
- 开发了一种新的管道,集成ViTs用于3D区域,嵌入从sMRI和GNNs提取分类.
- 探索了两个区域定义策略:使用预定义的大脑地图的基于地图的方法和基于立方体的方法.
- 构建了共弦相似度图来建模区域间关系,指导了GNN分类.
主要成果:
- 拟议的模型在REST-meta-MDD数据集上实现了高性能,最佳模型通过十倍交叉验证获得了81.51%的准确性.
- 具体的性能指标包括85.94%的灵敏度,76.36%的特异性,80.88%的精度和83.33%的F1分数.
- 基于地图的模型始终优于基于立方体的方法,证明了纳入解剖学先验的优势.
结论:
- 开发的ViT-GNN管道为使用sMRI自动检测MDD提供了一个有希望的方法.
- 在区域定义策略中使用预定义的大脑图谱对于提高MDD检测的诊断准确性至关重要.
- 这项研究强调了将特定领域的解剖学知识整合到精神疾病诊断的DL模型中的重要性.
