Sep, 2024

基于静息态fMRI的自闭症诊断的特征缩减管道：去噪变分自编码器方法

HTML
PDF
TL;DR本研究针对自闭症谱系障碍(ASD)缺乏客观诊断生物标志物的问题，提出了一种使用静息态fMRI进行特征缩减的管道。通过去噪变分自编码器(DVAE)，成功将超过30,000个功能连接特征压缩到5个潜在高斯分布中，并在多地点数据集上测试了其分类效果，证明该方法在不牺牲预测性能的情况下，显著提升了诊断信息的编码效率。
发现论文，激发创造
  • 自闭症谱系障碍分类的图卷积神经网络引导

    通过图卷积神经网络模型，以自动构建图的方式，预测自闭症患者的大脑活动模式，同时有效解决了图构建不鲁棒性问题，其性能准确，具有更强的鲁棒性。

    Apr, 2017

  • 基于对比变分自动编码器提取的结构MRI特征的儿童孤独症谱系障碍分类

    本文探讨使用对比变分自编码器（CVAE）提取结构磁共振成像（s-MRI）特征进行儿童自闭症谱系障碍（ASD）机器分类的方法，数据来自深圳市儿童医院，使用转移学习策略提高预测精度，并针对不同大脑区域进行了神经解剖解释。

    Jul, 2023

  • 预训练即所需：一种基于多重图谱增强Transformer框架的自闭症谱系障碍分类方法

    利用多层图形转化神经网络（METAFormer）模型和自主预训练技术对407个孤独症谱系障碍（ASD）患者和476个对照组（TC）被试的大脑静息态功能磁共振成像数据进行分类，结果表明，该模型在分类准确性和AUC得分等方面优于现有技术。

    Jul, 2023

  • 基于路径签名和孪生自编码器的自闭症早期诊断

    针对2岁以下儿童的传统的基于交流和行为模式的诊断方法不够可靠，因此我们提出了一种深度学习的方法来提取关键特征从病态的、类不平衡和异质的结构MR图像中进行早期的自闭症诊断，该方法通过Siamese验证框架扩展稀缺数据，通过无监督压缩器抑制数据不平衡，通过权重约束解决样本异质性，并使用Path Signature来纵向解读两个时间点的数据，以此有效的完成了早期自闭症的诊断。

    Jul, 2023

  • 社区感知变压器用于fmri连接组自闭症预测

    使用功能性磁共振成像(fMRI)构建大脑功能连通图能够帮助理解和诊断自闭症谱系障碍(ASD)的特点，进而提高治疗效果。提出了一种层次化的局部-全局Transformer架构Com-BrainTF，能够学习到考虑社群内外关联的节点表示，并在ASD预测任务中取得比最先进架构更好的性能，拥有高可解释性。

    Jun, 2023

  • EAG-RS: 一种基于可解释性的自闭症诊断的区域选择框架，通过区域间关系学习

    基于静息态功能磁共振成像 (rs-fMRI) 的深度学习模型被广泛应用于诊断脑疾病，尤其是自闭症谱系障碍 (ASD)。本文提出了一种新颖的可解释的感兴趣区域 (ROI) 选择框架（EAG-RS），通过利用可解释的人工智能技术识别脑区之间的非线性高阶功能关联，并选择具有类别区分能力的脑区进行脑疾病识别。通过使用自闭症脑成像数据库交换（ABIDE）数据集进行实验证实了我们提出方法的有效性，证明其在各种评估指标上优于其他比较方法。此外，我们对选定的感兴趣区域进行定性分析，并鉴别与先前神经科学研究相关的ASD亚型。

    Oct, 2023

  • 结合放射医学和机器学习方法进行客观自闭症诊断：验证白质与自闭症的关联

    自闭症谱系障碍是一种典型的大脑发育异常，导致社交技能、交流能力、重复行为和感觉处理方面的障碍。本研究开发了一种以大脑MRI白质为重点的计算机辅助诊断模型，采用放射学和机器学习方法，结合多个机器学习模型（如支持向量机、随机森林、逻辑回归和K近邻算法）进行自闭症预测，预测准确率均超过80%。此外，我们还应用卷积神经网络分析分割后的白质图像，实现了86.84%的预测准确率，其中支持向量机表现最佳，达到89.47%的预测准确率。这些发现不仅突出了模型的效能，还建立了白质异常与自闭症之间的联系。本研究为自闭症的各种诊断模型提供了全面的评估，并引入了一种基于MRI白质区域的早期客观自闭症诊断的计算机辅助诊断算法。

    May, 2024

  • MADE-for-ASD：用于诊断自闭症谱系障碍的多模板深度集成网络

    在回应全球对自闭症谱系障碍（ASD）的高效早期诊断的需求方面，本文桥接传统耗时的诊断方法和潜在的自动化解决方案之间的差距。我们提出了一个名为MADE-for-ASD的多重图册深度集成网络，它通过加权的深度集成网络将大脑的功能磁共振成像（fMRI）数据的多个图册集成起来。我们的方法将人口统计信息整合到预测工作流程中，从而提高了ASD诊断的性能，并提供了更全面的患者分析视角。我们在公开可用的ABIDE（Autism Brain Imaging Data Exchange）I数据集上进行实验，该数据集包含来自全球17个不同实验室的静息状态fMRI数据。我们提出的系统在整个数据集上达到了75.20%的准确率，并在特定子集上达到了96.40%。两者都超过了ABIDE I fMRI研究中报道的ASD诊断准确性。具体而言，我们的模型在相同数量的数据上较之前的工作提高了4.4个百分点。该模型在整个数据集上的敏感性为82.90%，特异性为69.70%；在特定子集上的敏感性为91.00%，特异性为99.50%。我们利用F分数确定了ASD诊断中排名前10的感兴趣区域（ROI），例如前海马回和前扣带/腹外侧。该提议的系统有可能为ASD诊断提供更具成本效益、高效且可扩展的策略。代码和评估结果可以在TBA上公开获取。

    Jul, 2024

  • 基于掩膜连接的动态图学习网络用于自闭症谱系障碍

    本研究针对以往在自闭症谱系障碍（ASD）研究中忽视大脑动态特征和网络噪声的问题，提出了掩膜连接基于动态图学习网络（MCDGLN）。通过动态捕捉大脑信号、加权边聚合模块和层次图卷积网络，该方法实现了对大脑连接的优化，显著提高了在自闭症与典型对照组分类中的准确率，达到73.3%。

    Sep, 2024

  • 自闭症诊断的可解释人工智能：利用fMRI数据识别关键脑区

    本研究解决了自闭症谱系障碍（ASD）诊断中缺乏客观生物标记的问题，通过构建一个深度学习模型，不仅能够准确识别ASD，还能提供可解释的见解。研究结果显示，该模型能够有效区分ASD患者和健康对照组的关键脑区域，为早期诊断和理解ASD的神经基础提供了重要的潜在影响。

    Sep, 2024