Dec, 2022

基于 Transformer 的规范建模方法用于早期精神分裂症的异常检测

PDF
TL;DR本文介绍如何通过使用深度生成模型实现困难诊断的心理障碍，包括早期精神分裂症，对脑区的遍及性微小变化进行检测，产生了良好的效果，优于基于脑年龄和高斯过程的最近的规范方法。
psychiatric disordersmachine learningnormative modelsdeep generative modelsneurological lesions
发现论文，激发创造
  • 基于 Transformer 的无监督脑部异常检测和分割

    通过将向量量化变分自编码器的潜在表示与自回归变换器集合相结合，我们在相对较小的数据范围内，以低计算成本实现了无监督的异常检测和分割，并在合成和真实病变实验中将其与现有方法进行了比较，证明了变换器在这一最具挑战性的成像任务中的潜力。

    Feb, 2021

  • 通过条件变分自编码器和敌对学习实现规范建模，以识别阿尔茨海默病的脑功能障碍

    通过将条件变分自动编码器与对抗学习相结合（ACVAE），提出了一种新颖的规范建模方法，用于识别阿尔茨海默病中的脑功能异常。实验结果显示，该模型能够更准确地识别 AD，并更好地识别 AD 与对照组之间的差异。

    Nov, 2022

  • 基于可解释深度学习的生成式数据增强方法用于精神分裂症诊断

    利用深度学习技术和脑电图脑记录来自动诊断精神分裂症，其中使用了生成数据增强技术、卷积神经网络进行初始诊断，并使用 Wasserstein GAN with Gradient Penalty (WGAN-GP) 和变分自编码器 (VAE) 产生合成数据集进行扩充，同时使用 LIME 算法解释黑盒模型中最重要的频率。

    Oct, 2023

  • 利用数字表型学增强临床决策的反事实解释和预测模型 —— 以精神分裂症为例

    本研究提出了一种机器学习系统，通过使用行为数字表型数据预测、检测和解释患有精神分裂症的患者症状的个体变化情况，通过使用变化点算法检测减少的症状，并在模拟持续监测的情况下使用反事实说明作为医疗保健中的纾困措施。

    Jun, 2023

  • 现实世界中的深度生成模型：医学图像的开放挑战

    本文探讨使用最新的基于自动编码器的深度生成模型，例如变分自动编码器和对抗性自动编码器，在医学成像中运用于异常检测一项任务。结果表明，深度生成模型在异常检测方面存在挑战，但可以提供给研究人员一个方便的医学成像数据集。

    Jun, 2018

  • 使用循环神经网络学习精神分裂症障碍的神经标记

    利用循环卷积神经网络从 4 维功能磁共振成像记录中自动学习有用的表示，旨在利用功能性磁共振成像电影中的空间和时间信息（在全脑像素水平上）识别患有精神分裂症的患者。

    Dec, 2017

  • 基于可变形补丁定位的差异性诊断阿尔茨海默病与颞叶前额叶痴呆的 3D Transformer

    提出了一种新颖的 3D 变形器架构，利用可变形的补丁定位模块，改善了阿尔茨海默病和额颞型痴呆的差异诊断。通过结合传统的机器学习模型和脑结构体积，以更好地利用现有数据，提出了将基于变压器的模型与传统机器学习模型相结合的方法。我们的实验表明了所提方法的有效性，与最先进的方法相比，结果具有竞争力。此外，我们可以可视化变形的补丁位置，揭示用于确立每种疾病诊断的最相关脑区域。

    Sep, 2023

  • 利用少量数据将机器学习诊断模型适应新的人群：临床神经科学研究结果

    通过加权的实证风险最小化方法，在多个神经影像研究中利用机器学习模型诊断老年痴呆症（AD）、精神分裂症（SZ）和估计脑龄，实现了对数据的泛化和预测，具备较好的鲁棒性。

    Aug, 2023

  • 基于深度生成模型的假健康图像重建用于异常检测的评估：以脑部 FDG PET 为例

    基于模拟现实异常图像的伪健康重建方法的评估程序，旨在提前检测特定于痴呆症如阿尔茨海默病的神经退行性标志物。

    Jan, 2024

  • 利用健康人群变异性的深度学习无监督脑 FDG PET 异常检测

    我们提出了一种受 Z 分数启发的方法，利用健康人群的变异性来识别阿尔茨海默病相关异常，实验证明了我们方法的有效性。

    Nov, 2023