STANet：用于小规模和不平衡 fMRI 数据的抑郁症分类的新型时空聚合网络
图像与视频处理
2024-12-02 v2 计算机视觉与模式识别
摘要
准确诊断抑郁症对于及时实施最佳治疗、预防并发症和降低自杀风险至关重要。传统方法依赖自评问卷和临床评估，缺乏客观生物标志物。将 fMRI 与人工智能结合可以通过整合神经影像指标来增强抑郁症诊断。然而，抑郁症 fMRI 采集的特异性往往导致不平衡且小规模的数据集，挑战分类模型的灵敏度和准确性。在本研究中，我们提出了用于抑郁症诊断的时空聚合网络（STANet），通过整合 CNN 和 RNN 来捕获大脑活动的时序和空间特征。STANet 包含以下步骤：（1）通过 ICA 聚合时空信息。（2）利用多尺度深度卷积捕获详细特征。（3）使用 SMOTE 平衡数据，为少数类生成新样本。（4）采用 AFGRU 分类器，结合傅里叶变换与 GRU 来捕获长期依赖，并采用自适应权重分配机制以增强模型泛化能力。实验结果表明，STANet 以 82.38% 的准确率和 90.72% 的 AUC 实现了优越的抑郁症诊断性能。STFA 模块通过捕获多尺度更深层特征来增强分类。AFGRU 分类器凭借自适应权重和堆叠 GRU 获得了更高的准确率和 AUC。SMOTE 优于其他过采样方法。此外，时空聚合特征相比仅使用时序或空间特征取得了更好的性能。STANet 优于传统或深度学习分类器以及基于功能连接的分类器，如十折交叉验证所证明的。
引用
@article{arxiv.2407.21323,
title = {STANet: A Novel Spatio-Temporal Aggregation Network for Depression Classification with Small and Unbalanced FMRI Data},
author = {Wei Zhang and Weiming Zeng and Hongyu Chen and Jie Liu and Hongjie Yan and Kaile Zhang and Ran Tao and Wai Ting Siok and Nizhuan Wang},
journal= {arXiv preprint arXiv:2407.21323},
year = {2024}
}
备注
This paper is published on Tomography