Mar, 2024

基于双图注意力的解缠多实例学习用于脑龄估计

PDF
TL;DR通过分析磁共振成像（MRI）数据，利用深度学习技术准确估计大脑年龄是有潜力的，但现有方法往往直接利用整个输入图像，忽视了两个重要考虑因素：1）大脑老化的异质性，即不同脑区可能以不同速率退化，和 2）大脑结构中存在与年龄无关的冗余信息。为了克服这些局限性，我们提出了一种基于双图注意的解耦多实例学习（DGA-DMIL）框架以改善大脑年龄估计。我们通过将 3D MRI 数据视为一组实例，输入到 2D 卷积神经网络主干中，以捕捉 MRI 中独特的老化模式。然后，提出了一个双图注意聚合器，通过利用实例内和实例间的关系学习主干特征。此外，我们还引入了一个解耦分支，以将与年龄相关的特征与与年龄无关的结构表示分离，以改善冗余信息对年龄预测的干扰。为了验证所提出的框架的有效性，我们对包含 35,388 名健康个体的 UK Biobank 和 ADNI 两个数据集进行评估。我们的模型在 UK Biobank 中显示出令人瞩目的准确性，达到了 2.12 年的平均绝对误差。与其他竞争的大脑年龄估计模型相比，我们的方法已成为最先进的。此外，实例贡献分数在年龄预测中识别了不同脑区的重要性，为对大脑老化的理解提供了更深入的洞察。
deep learningbrain age estimationmri datadga-dmil frameworkage prediction
发现论文，激发创造
  • 全局 - 局部变压器用于脑龄估计

    本研究提出了一种全局和局部信息相结合的转换器，将局部细节和全局信息相结合，利用注意机制根据磁共振成像（MRI）数据进行快速脑龄估计。该方法在 8 个公共数据集上进行验证，相比现有方法，其均方误差为 2.70 岁，相关系数为 0.9853，同时提供了与脑龄估计相关的信息。

    Sep, 2021

  • 可解释的自适应人群图学习的多模态脑龄估计

    提出一种优化下游任务的人口图结构学习框架，通过注意机制为一组成像和非成像特征分配权重，用于边提取，并使用生成的图来训练图卷积网络，结果表明该方法在脑龄回归和分类方面优于固定图方法和其他最先进的自适应方法，并且赋予的注意程度指示了成像和非成像特征对脑龄估计的信息价值与相关文献一致。

    Jul, 2023

  • Triamese-ViT: 从 MRIs 中鲁棒地估计脑龄的一种三维感知方法

    Triamese-ViT 是一种创新的 ViT 模型适用于脑龄估计，通过整合三个不同方向的 ViTs 模型来捕捉三维信息，显著提高了准确性和可解释性，对 MRI 扫描的测试结果表明，Triamese-ViT 的平均绝对误差为 3.84，与实际年龄的 0.9 斯皮尔曼相关系数以及脑龄差和实际年龄的 - 0.29 斯皮尔曼相关系数，明显优于以前的脑龄估计方法。Triamese-ViT 的一个关键创新是能够生成综合的类似三维的注意力图，由每个方向特定的 ViT 的二维注意力图合成，这个特性对于深入研究脑龄分析和疾病诊断非常有益，可以提供更深入的脑健康和年龄相关神经变化机制的洞察。

    Jan, 2024

  • 应用注意力机制的深度学习模型预测胎儿脑部孕周

    利用基于注意力机制的深度学习模型结合多视图 MRI 图像，可以精确预测胎儿的孕周，在收集了 125~273 天多年龄段的胎儿脑 MRI 数据集的基础上，R2 值达到了 0.94。

    Dec, 2018

  • 面部遮盖对比图表示学习用于年龄估计

    本文提出了一种基于掩蔽对比图表示学习的年龄估计方法，该方法利用图表示学习的鲁棒性来处理图像冗余信息，通过深度学习的方法从面部图像数据集中提取结构信息和语义特征，并在多个损失函数的约束下综合利用二者提高预测精度。

    Jun, 2023

  • 将大脑年龄预测问题重新构建为更易解释且定量化的方法

    深度学习模型通过磁共振成像在估计大脑年龄方面取得了最先进的结果。我们将年龄预测问题从全局预测转化为图像回归问题，比较了基于体素的年龄预测模型与基于全局的模型以及它们对应的显著性地图。结果表明，基于体素的年龄预测模型更具解释性，因为它们提供了关于大脑衰老过程的空间信息，并从定量化中受益。

    Aug, 2023

  • 基于图卷积神经网络和多头注意力机制的年龄估计

    年龄估计技术是人脸识别的一部分，通过对游戏中的用户进行身份验证，实现了青少年防沉迷系统的开发和应用。本文提出了一种新的建模思想，使用图卷积网络（GCN）从非规则人脸图像中有效地提取特征，并添加了多头注意力机制以避免冗余特征并捕获图像中的关键区域信息，从而显著提高了年龄估计的准确性并降低了 MAE 误差值，进而提高了人脸识别和身份验证的准确性。

    Oct, 2023

  • 利用回归模型和 MRI 特征实现强韧的脑龄预测

    本文介绍了一种使用机器学习模型和开放的健康大脑数据集（OpenBHB dataset）的新的脑龄评估框架，该框架整合了三种不同的 MRI 衍生区域特征和不同的回归模型，可高度精确地评估脑龄，对于认识神经学疾病和与年龄相关的大脑变化具有重要意义。

    Jun, 2023

  • AXIAL：基于 2D CNN 的 3D MRI 脑部扫描的阿尔茨海默病定位诊断可解释性的注意力机制

    这项研究提出了一种创新的方法来诊断阿尔茨海默病，使用设计用于增强模型决策可解释性的 3D MRI。我们的方法采用了软注意力机制，使 2D CNN 能够提取体积表示。同时，学习每个切片在决策中的重要性，生成了一个能够解释的 MRI 的体素级注意力图。通过使用阿尔茨海默病神经影像学计划（ADNI）的一个标准化的 MRI 数据集来测试我们的方法并确保结果的可重复性。在这个数据集上，我们的方法在两个任务中显著优于最先进的方法：（i）将 AD 与正常认知（CN）区分，准确率为 0.856，Matthew's 相关系数（MCC）为 0.712，分别比第二名提高了 2.4％和 5.3％；（ii）在区分稳定和进展性轻度认知障碍的预测任务中，准确率为 0.725，MCC 为 0.443，比第二名分别提高了 10.2％和 20.5％。我们通过采用双重迁移学习策略实现了这一预测结果，增强了对形态变化的敏感性，并促进了早期 AD 的检测。通过体素级精确度，我们的方法确定了哪些特定区域受到关注，并确定了这些主导脑区域：海马、杏仁核、视角回、下侧脑室。所有这些区域与 AD 的发展有关。此外，我们的方法在不同的交叉验证折叠中始终找到了相同的与 AD 相关的区域，证明了其在突出与该疾病的已知病理标志密切相关的区域方面的稳健性和精确性。

    Jul, 2024

  • 利用深度学习从原始成像数据预测大脑年龄，得出可靠的遗传生物标志 / 生物标志物

    使用深度学习和卷积神经网络方法，预测健康人群的大脑年龄，并建立其作为大脑衰老过程个体差异性的生物标志物的资格，该预测模型的结果证明了其在灰质或白质参数地图上的预测准确度极高，具有高度的可靠性和遗传学效度，可用于评估大脑老化的生物标志物，并且可以在原始数据上准确生成预测，实现在临床现场获得大脑健康信息。

    Dec, 2016