基于 MRI 图像与集成装袋分类器的轻量型 3D 卷积神经网络精神分裂症诊断
图像与视频处理
2022-11-08 v1 计算机视觉与模式识别
机器学习
神经元与认知
摘要
随着神经成像方法的发展，精神分裂症（SCZ）早期发病阶段大脑的结构性改变已被深入研究。本文旨在将 SCZ 高效分为两类：认知正常（CN）与 SCZ，使用磁共振成像（MRI）图像。本文提出一种基于轻量型 3D 卷积神经网络（CNN）的 SCZ 诊断框架，利用 MRI 图像进行诊断。在所提模型中，轻量型 3D CNN 用于从 3D 体素 MRI 扫描中同时提取空间与频谱特征，并使用集成装袋分类器完成分类。集成装袋分类器有助于防止过拟合、降低方差并提升模型准确率。所提算法在三个开源基准数据库 MCICShare、COBRE 和 fBRINPhase-II 的数据集上进行了测试。这些数据集均经过预处理，将所有 MRI 图像配准至标准模板并减少伪影。与当前最先进技术相比，该模型取得了最高准确率 92.22%、灵敏度 94.44%、特异度 90%、精确率 90.43%、召回率 94.44%、F1 分数 92.39% 和 G-mean 92.19%。性能度量证明了该模型可辅助临床医生对 SCZ 进行自动准确诊断。
引用
@article{arxiv.2211.02868,
title = {Lightweight 3D Convolutional Neural Network for Schizophrenia diagnosis using MRI Images and Ensemble Bagging Classifier},
author = {P Supriya Patro and Tripti Goel and S A VaraPrasad and M Tanveer and R Murugan},
journal= {arXiv preprint arXiv:2211.02868},
year = {2022}
}