深度学习利用结构与合成功能MRI数据识别阿尔茨海默病的神经影像特征
定量方法
2021-05-31 v2 计算机视觉与模式识别
机器学习
摘要
当前的神经影像技术为体内研究大脑结构与功能提供了途径，并在理解阿尔茨海默病（AD）方面取得了巨大进展。然而，普遍用于疾病调查与理解的组水平分析不适用于个体诊断。近来，深度学习能高效分析三维脑图像中的大规模复杂模式，通过提供准确且自动化的疾病分类，为计算机辅助个体诊断铺平了道路。基于日益可用的结构MRI数据开发的深度学习模型在AD分类上已取得很大进展。缺乏规模匹配的功能神经影像数据，阻碍了此类模型通过观测病理生理中的功能变化而进一步优化。本文我们提出一种潜在解决方案：首先在脑MRI中学习结构到功能的转换，进而从大规模结构扫描中合成空间匹配的功能图像。我们通过构建计算模型以区分AD患者与健康正常受试者来评估该方法，并展示了将结构与合成功能脑图像纳入同一模型后性能的显著提升。此外，我们的区域分析确定颞叶为最具预测性的结构区域，顶枕叶为最具预测性的功能区域，二者均与既往组水平神经影像发现一致。总之，我们展示了利用大规模结构与合成功能MRI的深度学习在影响AD分类及识别AD神经影像特征方面的潜力。
引用
@article{arxiv.2104.04672,
title = {Deep Learning Identifies Neuroimaging Signatures of Alzheimer's Disease Using Structural and Synthesized Functional MRI Data},
author = {Nanyan Zhu and Chen Liu and Xinyang Feng and Dipika Sikka and Sabrina Gjerswold-Selleck and Scott A. Small and Jia Guo},
journal= {arXiv preprint arXiv:2104.04672},
year = {2021}
}
备注
Published in IEEE ISBI 2021. Available at https://ieeexplore.ieee.org/document/9433808