阿尔茨海默病相关脑功能网络的拓扑性质变化
使用功能磁共振成像研究了阿尔茨海默病患者和正常控制组之间的功能性脑网络连通性差异,结果发现 AD 组整体的功能连接度降低,这一成果有助于我们深入理解 AD 的病理生理学并找出 AD 的生物标志物。
May, 2023
本文研究了自动分类方法的主要趋势,探讨了卷积神经网络和 MRI 在海马区 ROI 上融合的痴呆症诊断算法,以及通过数据增强来平衡不同大小的类别对分类结果的影响。
Jan, 2018
本文提出了一个利用多模态和多尺度深度神经网络的新框架来早期诊断阿尔茨海默病,能够更好地表征人脑变化,并比现有文献的结果具有更好的区别能力。该方法在 3 年内预测致残的受试者的准确度为 85.68%。
Oct, 2017
提出了一种名为交叉模态变换生成对抗网络(CT-GAN)的新模型,能够从功能磁共振成像(fMRI)和扩散张量成像(DTI)中有效地融合功能和结构信息,并通过分析生成的连接特征来识别与阿尔茨海默病相关的大脑连接。评估结果表明,该模型能够显著提高预测性能,有效地检测与阿尔茨海默病相关的大脑区域,并为检测与该病相关的异常神经回路提供了新的见解。
Sep, 2023
该研究利用图论和深度学习评估阿尔茨海默病(AD)神经病理学的变异,重点关注典型 AD 和快速进展型 AD 的形式。它分析了尸检脑组织中淀粉样斑块和 Tau 缠结的分布情况。将组织病理学图像转化为基于 Tau 病理学的图形,并使用导出的度量值进行统计分析和机器学习分类器。这些分类器采用 SHAP 值的可解释性来区分典型 AD 和快速进展型 AD。图神经网络(GNNs)在分析这些数据时展示了比传统 CNN 方法更高的效率,保留了空间病理学的上下文。此外,GNNs 通过可解释的人工智能技术提供了重要的见解。分析结果显示快速进展型 AD 中网络更密集,并对脑皮层层次结构产生独特的影响:快速进展型 AD 主要影响中间层,而典型 AD 影响同一脑皮区域的表浅层和深层。这些结果表明每种 AD 变异都具有独特的神经病理学网络组织。
Mar, 2024
使用卷积神经网络,基于阿尔茨海默病神经影像计划(ADNI)数据集 MRI 扫描,近年来的很多研究报告了阿尔茨海默病分类的最新性能,但此研究发现,将数据按照受试者级别划分为训练和测试集时,无法获得相似的结果,进而质疑了以前研究的可靠性,因此使用所有可用的受试者,对三种拆分方法进行了验证,并报告了结果。
Jun, 2019
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
本研究提出了一种基于 ResNet 的端到端 3D CNN 框架,结合注意力机制作用下获取的多层特征,以更好地捕捉脑部图像的细微差异,用于阿尔茨海默病的诊断。在 ADNI 数据库的 792 个受试者上进行了消融实验验证,基于 sMRI 和 PET 分别实现了 89.71% 和 91.18% 的诊断准确率,并且超过了一些最先进的方法。
Aug, 2023
阿尔茨海默病(AD)是认知能力逐渐下降的最常见的痴呆形式之一。本研究采用结构和功能性 MRI 探究了疾病引起的灰质和功能网络连接变化,并引入基因 SNP 作为第三个通道。我们提出了一种基于深度学习的分类框架,使用 Cycle GAN 生成模块来填补潜在空间中的缺失数据。通过整合梯度的可解释 AI 方法,提取了输入特征的相关性,增强了对学习表示的理解。实验结果表明,我们的模型能够在 CN/AD 分类中达到 SOA,平均测试准确率为 0.926±0.02。对于 MCI 任务,使用预训练模型进行 CN/AD 预测的平均准确率为 0.711±0.01。解释性分析揭示了与 AD 相关的皮层和皮下脑区的重要灰质调节,并确定了感觉运动和视觉静息态网络连接的损伤以及与淀粉样蛋白和胆固醇形成和清除调控相关的生物过程的 SNP 突变作为性能的贡献因素。总体而言,我们的综合深度学习方法在 AD 检测和 MCI 预测方面显示出潜力,同时为重要的生物学洞察提供了新的见解。
Jun, 2024
本研究提出了基于扩散张量图像的端到端脑网络生成模型 Brain Diffuser,旨在分析结构脑网络的差异以获得结构连接性的更多特征和疾病相关信息,在阿尔茨海默病(AD)的情况下比现有工具包在 ADNI 数据库上展现出更好的性能表现。
Mar, 2023