在静息态功能磁共振成像中寻找大脑关键区域可改善深度学习对ADHD的诊断
图像与视频处理
2021-08-24 v1
摘要
注意缺陷/多动障碍（ADHD）被认为是一种非常常见的精神疾病，但建立一种准确的ADHD诊断方法却很困难。近年来，随着计算资源和机器学习方法的发展，已有研究利用静息态功能磁共振成像（rs-fMRI）数据对ADHD进行分类。然而，大多数研究都利用大脑的所有区域来训练模型。在本研究中，我们采用了一种不同的方法，通过选择对使用深度学习模型至关重要的区域来进行ADHD分类研究。实验使用了ADHD 200全球竞赛提供的rs-fMRI数据。为了从多个站点获得综合结果，我们采用留一站交叉验证对大脑的每个区域进行了评估。结果显示，当我们仅使用15个重要的感兴趣区域（ROIs）进行训练时，准确率达到了70.6%，显著超过了使用所有ROIs的现有结果68.6%。此外，为了探索基于SCCNN-RNN的新结构，我们用三种修改后的模型进行了相同的实验：（1）带注意力的分离通道CNN RNN（ASCRNN），（2）带注意力的分离通道膨胀CNN RNN（ASDRNN），（3）带注意力的分离通道CNN切片RNN（ASSRNN）。结果显示，ASSRNN模型在仅使用13个重要的感兴趣区域（ROI）进行训练时，提供了70.46%的高准确率。这些结果表明，通过深度学习寻找并利用大脑中诊断ADHD的关键部分，可以获得比使用所有区域更好的结果。
引用
@article{arxiv.2108.10137,
title = {Finding essential parts of the brain in rs-fMRI can improve diagnosing ADHD by Deep Learning},
author = {Byunggun Kim and Jaeseon Park and Taehun Kim and Younghun Kwon},
journal= {arXiv preprint arXiv:2108.10137},
year = {2021}
}
备注
10 pages, 6 figures