MADE-for-ASD：用于诊断自闭症谱系障碍的多图谱深度集成网络
图像与视频处理
2024-09-05 v2 计算机视觉与模式识别
摘要
为满足全球对自闭症谱系障碍（ASD）高效早期诊断的需求，本文弥合了传统、耗时的诊断方法与潜在的自动化解决方案之间的差距。我们提出了一种多图谱深度集成网络 MADE-for-ASD，通过加权深度集成网络整合大脑功能磁共振成像（fMRI）数据的多个图谱。我们的方法将人口统计学信息集成到预测工作流程中，从而提高了 ASD 诊断性能，并为患者特征分析提供了更全面的视角。我们在公开的知名 ABIDE（自闭症脑成像数据交换）I 数据集上进行了实验，该数据集包含来自全球 17 个不同实验室的静息态 fMRI 数据。我们提出的系统在整个数据集上达到了 75.20% 的准确率，在特定子集上达到了 96.40% 的准确率——两者均超越了已报道的 ABIDE I fMRI 研究中的 ASD 诊断准确率。具体而言，在相同数据量下，我们的模型比先前的工作提高了 4.4 个百分点。该模型在整个数据集上的敏感性和特异性分别为 82.90% 和 69.70%，在特定子集上分别为 91.00% 和 99.50%。我们利用 F 分数确定了 ASD 诊断中排名前 10 的感兴趣区（ROI），如楔前叶和前扣带回/腹内侧。所提出的系统有望为 ASD 诊断提供更具成本效益、更高效和可扩展的策略。代码和评估结果公开于 https://github.com/hasan-rakibul/MADE-for-ASD。
引用
@article{arxiv.2407.07076,
title = {MADE-for-ASD: A Multi-Atlas Deep Ensemble Network for Diagnosing Autism Spectrum Disorder},
author = {Xuehan Liu and Md Rakibul Hasan and Tom Gedeon and Md Zakir Hossain},
journal= {arXiv preprint arXiv:2407.07076},
year = {2024}
}
备注
Xuehan Liu and Md Rakibul Hasan contributed equally to this work