结合放射组学与机器学习方法实现客观的自闭症谱系障碍诊断：验证白质与ASD的关联
图像与视频处理
2024-05-28 v1 计算机视觉与模式识别
机器学习
定量方法
摘要
自闭症谱系障碍是一种以大脑发育异常为特征的疾病，导致社交技能、沟通能力、重复行为和感觉处理方面的障碍。已有许多研究将脑部MRI图像与机器学习算法相结合以实现自闭症的客观诊断，但白质与自闭症之间的相关性尚未得到充分利用。为弥补这一空白，我们开发了一种计算机辅助诊断模型，该模型通过放射组学和机器学习方法聚焦于脑部MRI中的白质区域。本研究引入了一个MultiUNet模型用于分割白质，利用UNet架构并以手动分割的MRI图像作为训练数据。随后，我们使用Pyradiomics工具包提取白质特征，并应用不同的机器学习模型（如支持向量机、随机森林、逻辑回归和K近邻）来预测自闭症。所有预测集的准确率均超过80%。此外，我们使用卷积神经网络分析分割后的白质图像，预测准确率达到86.84%。值得注意的是，支持向量机表现出最高的预测准确率，为89.47%。这些发现不仅强调了模型的有效性，还建立了白质异常与自闭症之间的联系。我们的研究有助于全面评估各种自闭症诊断模型，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。
引用
@article{arxiv.2405.16248,
title = {Combining Radiomics and Machine Learning Approaches for Objective ASD Diagnosis: Verifying White Matter Associations with ASD},
author = {Junlin Song and Yuzhuo Chen and Yuan Yao and Zetong Chen and Renhao Guo and Lida Yang and Xinyi Sui and Qihang Wang and Xijiao Li and Aihua Cao and Wei Li},
journal= {arXiv preprint arXiv:2405.16248},
year = {2024}
}