DuSCN-FusionNet: 一种用于基于结构磁共振成像的 ADHD 分类的可解释双通道结构协方差融合框架
计算机视觉与模式识别
2026-03-30 v1 机器学习
摘要
注意力缺陷多动障碍（ADHD）是一种高度流行的神经发育疾病，然而其神经生物学诊断仍具有挑战性，因为缺乏可靠的基于成像的生物标志物，特别是解剖学标志物。结构磁共振成像（sMRI）提供了一种用于研究 ADHD 相关大脑改变的非侵入性模态；然而，大多数深度学习方法作为黑箱系统运行，限制了临床信任度和可解释性。在本工作中，我们提出了 DuSCN-FusionNet，一个基于 sMRI 的可解释 ADHD 分类框架，利用双通道结构协方差网络（SCNs）来捕获区域间形态学关系。ROI 区域的平均强度和区域内变异性描述符用于构建基于强度和基于异质性的 SCN，这些网络通过 SCN-CNN 编码器进行处理。同时，辅助的 ROI 变异性特征和全局统计描述符通过后期融合进行整合以提升性能。该模型采用分层 10 折交叉验证和 5 种子集成策略进行评估，在 ADHD-200 数据集的北京大学站点上实现了平均平衡准确率为 80.59%，AUC 为 0.778。DuSCN-FusionNet 进一步实现了精确率、召回率和 F1 分数分别为 81.66%、80.59% 和 80.27%。此外，Grad-CAM 被适配到 SCN 领域以推导 ROI 级别的重要性分数，从而识别出结构相关的大脑区域作为潜在生物标志物。
引用
@article{arxiv.2603.26351,
title = {DuSCN-FusionNet: An Interpretable Dual-Channel Structural Covariance Fusion Framework for ADHD Classification Using Structural MRI},
author = {Qurat Ul Ain and Alptekin Temizel and Soyiba Jawed},
journal= {arXiv preprint arXiv:2603.26351},
year = {2026}
}
备注
5 pages, 5 figures