用于静息态 fMRI 改进阿尔茨海默病分类的行为分数嵌入脑编码网络
信号处理
2022-11-18 v1 机器学习
摘要
准确检测痴呆发病的能力对该疾病的治疗十分重要。临床上，阿尔茨海默病（AD）和轻度认知障碍（MCI）患者的诊断基于心理测验与脑成像（如正电子发射断层扫描（PET）和解剖磁共振成像（MRI））的综合评估。本工作中，我们使用两个不同数据集，提出一种行为分数嵌入编码网络（BSEN），将常规施测的心理测验信息整合进表征受试者静息态 fMRI 数据的编码过程，以用于自动分类任务。BSEN 基于三维卷积自编码器结构，并利用来自简易精神状态检查（MMSE）和临床痴呆评定量表（CDR）的行为分数以对比损失联合优化。我们提出的采用 BSEN 的分类框架取得了 59.44% 的总体识别准确率（三类分类：AD、MCI 与健康对照），并进一步提取了健康对照（HC）与 AD 患者间最具判别性的脑区。
引用
@article{arxiv.2211.09735,
title = {Behavior Score-Embedded Brain Encoder Network for Improved Classification of Alzheimer Disease Using Resting State fMRI},
author = {Wan-Ting Hsieh and Jeremy Lefort-Besnard and Hao-Chun Yang and Li-Wei Kuo and Chi-Chun Lee},
journal= {arXiv preprint arXiv:2211.09735},
year = {2022}
}
备注
4 pages, 1 figure