揭示帕金森病的症状模式：基于 3D 卷积自编码器的潜空间分析
图像与视频处理
2023-05-15 v1 机器学习
摘要
本工作提出使用 3D 卷积变分自编码器（CVAE）来追踪帕金森病（PD）中神经退行性疾病所引起的变化和症状。在此，我们提出了一种新方法，利用 3D CVAE 对 Ioflupane（FPCIT）成像数据检测和量化多巴胺转运体（DaT）浓度的变化及其空间模式。我们的方法借助深度学习的力量学习脑影像数据的低维表示，随后通过回归算法将其与不同症状类别关联。我们在 PD 患者和健康对照的数据集上证明了方法的有效性，并表明总体症状（UPDRS）通过 CVAE 与 d 维分解相关联，且 R2>0.25。我们的工作展示了表示学习不仅在早期诊断中，也在理解神经退行过程和症状方面的潜力。
引用
@article{arxiv.2305.07038,
title = {Revealing Patterns of Symptomatology in Parkinson's Disease: A Latent Space Analysis with 3D Convolutional Autoencoders},
author = {E. Delgado de las Heras and F. J. Martinez-Murcia and I. A. Illán and C. Jiménez-Mesa and D. Castillo-Barnes and J. Ramírez and J. M. Górriz},
journal= {arXiv preprint arXiv:2305.07038},
year = {2023}
}
备注
Accepted at 2023 ASPAI Conference