基于聚合任务态 fMRI 数据的 3D CNN 多中心精神分裂症诊断分类
计算机视觉与模式识别
2022-10-12 v1 机器学习
信号处理
摘要
尽管经过多年研究，精神分裂症的发展机制及其复发、症状表现和治疗方法仍然是一个谜。缺乏适当的分析工具来应对精神分裂症多变且复杂的性质，可能是导致对该疾病认识不足的因素之一。深度学习是受神经系统启发的人工智能分支。近年来，深度学习使得对复杂、高维和非线性系统的建模与分析变得更加容易。由于深度学习算法在分类和预测任务中展现出卓越的准确性，精神分裂症研究等众多研究领域已因此发生变革。深度学习有潜力成为理解精神分裂症根源机制的强大工具。此外，旨在提高模型可解释性和因果推理能力的各种技术日益增多，也推动了这一趋势。本研究利用多中心 fMRI 数据和多种深度学习方法，旨在识别不同类型的精神分裂症。我们提出的 4D fMRI 数据时间聚合方法优于现有工作。此外，本研究旨在揭示精神分裂症患者大脑各区域间连接强度的特征。
引用
@article{arxiv.2210.05240,
title = {Multi-site Diagnostic Classification Of Schizophrenia Using 3D CNN On Aggregated Task-based fMRI Data},
author = {Vigneshwaran Shankaran and Bhaskaran V},
journal= {arXiv preprint arXiv:2210.05240},
year = {2022}
}