Feb, 2023

基于课程的多任务学习用于帕金森病检测

PDF
TL;DR利用深度卷积神经网络和课程学习，作者定义了一个难度逐渐增加的训练流程，以提高磁共振成像在帕金森病分类中的性能。
发现论文，激发创造
  • 利用卷积神经网络与长短时记忆层相结合预测帕金森病进展

    该研究使用 “帕金森病进展标志倡议” 数据集，开发了一个 3DCNN + LSTM 模型，通过分析磁共振成像数据来识别帕金森病的进展阶段，并取得了具有最先进结果的 91.90％的分类准确率。

    Dec, 2023

  • 多模态多类帕金森病分类的 CNN 和决策级融合

    本文提出了使用 MRI 和 DTI 两种不同模态的直接三类 PD 分类方法，通过使用白质和灰质 MRI 数据以及 DTI 数据的有限阻抗和平均扩散度，利用四个独立 CNN 模型进行决策层融合，实现了对公开 PPMI 数据库中 PD、健康人群和无多巴胺缺陷证据扫描的直接三类 PD 分类，获得了 95.53% 的准确率。通过一系列消融研究明确证明了我们提出的解决方案的有效性。

    Jul, 2023

  • 多视角图卷积网络及其在帕金森病神经影像分析中的应用

    本文探讨基于图卷积网络的深度学习方法，在结合病人脑影像信息后，用于分辨帕金森患者和健康对照组，泛化表现高于传统 PCA 方法。

    May, 2018

  • 使用多任务神经网络确定帕金森病患者的严重程度

    该论文提出了一种基于深度学习技术的方法，通过语音分析及回归技术能够判断一个人是否患有严重的帕金森症，并预测病情的程度，取得了非常有前景的效果。

    Feb, 2024

  • 使用对比度图交叉视图学习和 SPECT 图像与临床特征的多模态融合进行帕金森病分级

    通过引入多模态方法，结合深度学习和图融合技术，我们的研究提出了一种用于帕金森病分类的图视多模态方法，实验结果表明，在五折交叉验证中，该方法可以达到 91% 的准确率和 92.8% 的 AUC，并且相比仅依赖机器学习方法的方法，在非图像数据上具有更强的预测能力。

    Nov, 2023

  • HCT: 高混合卷积 - 变形器模型用于帕金森病的步态检测和严重程度预测

    提出了一种基于深度学习的新型混合 ConvNet-Transformer 架构来检测和分期帕金森病 (Parkinson's disease)。该混合架构利用了卷积神经网络 (ConvNets) 和 Transformers 的优势来准确地检测帕金森病并确定其严重程度阶段，相比其他最先进的方法，具有 97％的帕金森病检测准确率和 87％的严重程度分期准确率。

    Oct, 2023

  • 基于多任务字典学习的卷积神经网络在纵向图像计算机辅助诊断中的应用

    本文介绍了一种基于卷积神经网络的深度学习多任务字典学习框架，使用 MSCC 方法学习不同的任务，以预测未来认知临床得分，并在公开的神经影像队列中应用模型进行临床测量预测，取得了优异的结果。

    Aug, 2017

  • 基于图的多流自适应卷积正负样本学习用于帕金森病识别

    PULSAR 是一种新型方法，通过以视频的形式记录手指敲击任务以筛查帕金森病 (PD)，并通过自适应图卷积神经网络和多流自适应卷积模型学习数据的关键特征，实现了 80.95% 的准确率和 71.29% 的平均准确率，该方法有望增加 PD 筛查的普及性。

    Dec, 2023

  • 利用机器学习进行早期诊断帕金森病的实验研究

    通过机器学习技术，使用临床特征，声音特征和运动检查等数据，实现对帕金森病的早期检测，并取得了 100％针对 PD 和 RBD 患者的准确分类率，以及对 PD 和 HC 个体的 92％准确分类率。

    Oct, 2023

  • 通过多任务视频分析实现帕金森病在家无障碍检测

    通过分析网络摄像头录制的手指敲击、面部表情（微笑）和语音（说出包含所有字母的句子）的特征，我们训练了一种新颖的基于神经网络的融合架构来检测帕金森病，该模型还使用了蒙特卡洛随机失活来提高预测准确性。这种低成本、便捷的帕金森病筛查方法只需一个带有网络摄像头和麦克风的互联网设备，在有限制性临床专家资源的地区尤其方便。

    Jun, 2024