融合深度学习与专家知识从儿童耐药癫痫静息态fMRI定位癫痫发作起始区
计算机视觉与模式识别
2023-06-12 v1
摘要
在幼年对癫痫发作起始区（SOZs）进行外科离断是药物耐药癫痫（PRE）的有效治疗手段。利用颅内脑电图（iEEG）进行术前SOZ定位需要安全有效的深度电极植入。静息态功能磁共振成像（rs-fMRI）结合独立成分（IC）分析的信号解耦已展现出有前景的SOZ定位能力，可指导iEEG导线放置。然而，SOZ相关IC的识别需外科团队对每个患者数百个IC进行人工专家分拣，这限制了该术前筛查的可重复性与可及性。基于rs-fMRI的SOZ IC自动识别方法可采用深度学习（DL）从稀缺的儿科数据中编码脑网络复杂性但精度低，或采用浅层学习（SL）基于专家规则的推理方法但无法编码全部空间特征谱。本文提出DeepXSOZ，利用基于DL的空间特征与基于SL的专家知识编码之间的协同作用，克服这些孤立策略的性能缺陷。DeepXSOZ是一种人在回路的IC分拣技术，其a)可根据外科团队专业知识配置为显著减少专家分拣工作量或以高灵敏度运行，b)可潜在地将rs-fMRI用作低成本门诊术前筛查工具。在52名PRE患儿上与最先进方法的比较表明，DeepXSOZ达到89.79%灵敏度、93.6%精度与84.6%准确率，并将分拣工作量降低6.7倍。知识水平消融研究展示了在各种场景下最大化患者预后同时优化机器-专家协作的路径。
引用
@article{arxiv.2306.05572,
title = {Merging Deep Learning with Expert Knowledge for Seizure Onset Zone localization from rs-fMRI in Pediatric Pharmaco Resistant Epilepsy},
author = {Payal Kamboj and Ayan Banerjee and Sandeep K. S. Gupta and Varina L. Boerwinkle},
journal= {arXiv preprint arXiv:2306.05572},
year = {2023}
}
备注
This paper is currently under review in IEEE Journal