基于路径签名与孪生无监督特征压缩器的自闭症早期诊断
计算机视觉与模式识别
2024-05-06 v3 神经元与认知
摘要
自闭症谱系障碍（ASD）已成为日益严重的公共卫生威胁。ASD 的早期诊断对于及时、有效的干预和治疗至关重要。然而，基于沟通和行为的传统诊断方法对 2 岁以下儿童并不可靠。鉴于 ASD 婴儿中存在神经发育异常的 evidence，我们借助一种基于深度学习的新方法来从本就稀缺、类别不平衡且异质的结构性 MR 图像中提取关键特征以进行自闭症早期诊断。具体而言，我们提出一个孪生验证框架以扩充稀缺数据，并提出一个无监督压缩器通过提取关键特征来缓解数据不平衡。我们还提出权重约束，通过在验证时给不同样本赋予不同投票权重来应对样本异质性，并使用路径签名（Path Signature）从两个时间点的数据纵向揭示有意义的发展特征。我们进一步提取了面向机器学习的脑区用于自闭症诊断。大量实验表明，我们的方法在实际场景下表现良好，超越了现有机器学习方法，并为自闭症早期诊断提供了解剖学见解。
引用
@article{arxiv.2307.06472,
title = {Early Autism Diagnosis based on Path Signature and Siamese Unsupervised Feature Compressor},
author = {Zhuowen Yin and Xinyao Ding and Xin Zhang and Zhengwang Wu and Li Wang and Xiangmin Xu and Gang Li},
journal= {arXiv preprint arXiv:2307.06472},
year = {2024}
}