Apr, 2023

区域深度萎缩：一种自监督学习方法，用于从纵向磁共振成像中自动识别与阿尔茨海默病进展有关的区域

PDF
TL;DR通过结合时间推断、可变形配准神经网络和注意力机制，本文提出了区域性深度萎缩（RDA）方法用于通过 MRI 图像监测神经退行性疾病（如阿尔茨海默病）的病程变化，同时提供了解释性更强的研究结果。
brain atrophyhippocampusmrineurodegenerative diseasesdeepatrophy
发现论文，激发创造
  • 结构注重型神经退行性卷积神经网络用于阿尔茨海默病建模与分类

    该研究提出了一种结合了伽玛校正和脑结构专注的神经退化卷积神经网络（SNeurodCNN）的机器学习框架，用于区分早期阿尔茨海默病（AD）和轻度认知障碍（MCI），通过实验证明该模型在诊断及特定脑区变化的准确性、特异性和敏感性方面表现出色，成为早期 AD 诊断的潜在大脑结构变化数字生物标志物。

    Jan, 2024

  • 基于形变的形态测量框架，使用学习的正常老化模板分辨阿尔茨海默病与正常老化

    通过应用基于变形的形态学方法，本研究借助深度学习创建了符合认知正常的不同年龄群体的正常衰老萎缩模板，通过图像配准和模板对比评估了阿尔茨海默病相关的脑萎缩和正常衰老的效应，并发现该疾病早期的海马体和杏仁核区域更加呈现出加速的正常衰老模式。

    Nov, 2023

  • 基于 MRI 的深度学习在阿尔茨海默病诊断中的应用

    阿尔茨海默病（Alzheimer's disease）是一种最常见的神经系统痴呆症，通过磁共振成像技术结合深度学习算法可以早期诊断该病并确定病症特征，因此本研究分析了 2021 年至 2023 年之间基于磁共振成像的深度学习算法在 AD 诊断上的五项具体研究。

    Oct, 2023

  • 深度几何学习及单调性约束在阿尔茨海默病发展中的应用

    这篇研究提出了一种新的几何学学习方法，通过结合拓扑空间转移、ODE-RGRU 和轨迹估计来建模长期的磁共振成像生物标记物和认知评分，并开发了一种训练算法，将流形映射与单调性约束相结合，以反映测量转换的不可逆性。通过在规则和不规则环境下预测临床标签和认知评分的时间，验证了所提出方法的有效性，并通过消融研究对该框架进行了全面分析。

    Oct, 2023

  • 学习阿尔茨海默病的不可逆进展轨迹

    通过引入一种新的正则化方法，我们提出了一种预测阿尔茨海默病进展的方法，旨在保持疾病风险随时间递增的单调性，同时保留预测准确性。

    Mar, 2024

  • 通过迁移学习实现阿尔茨海默病分类

    本论文通过迁移学习的方法，使用预训练的深度学习模型，选取信息熵最大的 MRI 图像进行训练，证明相比于当前的基于深度学习的方法，使用小得多的训练样本数量，可以达到类似甚至更好的性能。

    Nov, 2017

  • 识别早期轻度认知障碍的解剖生物标志物的机器学习方法

    阿尔茨海默病是一种影响老年人认知和运动功能的进展性神经退行性疾病，通过磁共振成像这种易于接触的方法早期检测阿尔茨海默病对于开发有效干预措施至关重要。本研究旨在对选择基于磁共振成像的生物标志物和将个体区分为健康对照和表现出 5 年内轻度认知损伤的不稳定对照的机器学习技术进行全面分析。该研究利用阿尔茨海默病神经信息学计划（ADNI）和开放获取系列成像研究 3（OASIS-3）的磁共振成像数据，主要关注健康对照和不稳定对照参与者。结果显示高斯朴素贝叶斯和 RusBoost 分类器在 ADNI 数据集上表现最佳，准确率分别达到 76.46% 和 72.48%。对于 OASIS-3 数据集，核朴素贝叶斯和 RusBoost 在 64.66% 至 75.71% 的范围内获得准确率，而在年龄匹配的数据集中进一步提高。计算得出早期认知衰退期间颞内侧皮层、海马体、侧脑室和外侧眶额叶等脑区受到显著影响。尽管存在样本规模较小等限制，本研究的数据协调方法增强了生物标志物选择的稳健性，预示着这种半自动机器学习工作流程在使用磁共振成像进行早期阿尔茨海默病检测方面的潜力。

    May, 2024

  • 基于深层反事实推断的阿尔茨海默病预测的量化可解释模型

    通过使用我们提出的框架，综合对应于反事实的结构性磁共振图像，并将其转化为灰质密度图来衡量其在感兴趣区域（ROI）中的体积变化，本研究通过采用一个轻量级的线性分类器来增强构建的 ROIs 的有效性，进而实现了定量诠释，达到了与深度学习方法相当的预测性能，该框架为每个感兴趣区域提供了一个 “与阿尔茨海默病相关性指数”，从而直观地理解个体患者和患者组与阿尔茨海默病进展的大脑状态。

    Oct, 2023

  • 阿尔茨海默病的磁共振成像分类方法：基于深度学习和元学习模型

    通过使用深度学习技术，特别是基于最先进的卷积神经网络（CNNs），对磁共振成像（MRI）数据进行分类，以便识别阿尔茨海默病（AD），该研究报告了采用多个 CNN 模型的集成方法来提高检测的查全率和准确性，其中多数投票法表现得更好。我们提出的方法在测试中获得了 90% 的准确率、0.90 的精确度和 0.89 的召回率。未来可以扩展该研究以纳入其他类型的医学数据，包括信号、图像和其他数据，使用其他分类器、神经网络和人工智能技术以提高阿尔茨海默病的检测。

    May, 2024

  • 基于时空相似性度量的基于多任务学习的磁共振成像数据预测阿尔茨海默病进展

    通过基于时空相似性度量的多任务学习方法，我们提出了一种新颖的方法，用于有效预测阿尔茨海默病（AD）进展并敏感地捕捉生物标志物之间的关键关系。实验结果表明，与基于感兴趣区域（ROIs）的学习相比，我们的方法在预测疾病进展方面更加有效，并能够进行纵向稳定性选择以确定生物标志物之间的变化关系。我们证明了皮质体积或表面积之间的协同恶化生物标志物对认知预测具有显著影响。

    Nov, 2023