51、基于深度卷积神经网络的自闭症分类研究

基于深度卷积神经网络的自闭症分类研究

研究背景与目标

在神经影像领域，不同算法的结合显著提升了计算精度、效率以及对大量数据的评估能力。此前，将脑成像与深度学习方法相结合的研究，已运用多种先进技术对神经退行性疾病进行自动分析。本次研究旨在开发一个客观框架，用于分析自闭症患者的MRI数据，以准确区分他们与典型发育（TD）个体。其具体贡献如下：
1. 特征提取与模型评估 ：采用混合方法，利用深度学习模型从脑部MRI图像中提取特征，并基于准确率、精确率、灵敏度、f1分数和受试者工作特征曲线（ROC）分析所开发分类模型的性能，以确定其在ABIDE数据集分类中的潜力。
2. 数据增强 ：运用不同的仿射变换技术进行数据增强，避免过拟合问题，扩大数据集，以便从图像中提取可区分的特征，更好地训练分类器。
3. 性能比较 ：将所提出的分类器与现有最先进的ABIDE数据集分类器进行比较，以进行连贯的评估。

相关工作

深度学习（DL）技术已广泛应用于处理高维MRI数据，以模拟各种神经障碍的神经模式。以下是一些利用不同模型对ABIDE数据集进行自闭症分类的研究：
|研究|模型|准确率|
| ---- | ---- | ---- |
|多通道深度注意力神经网络|集成不同网络层、注意力机制和多模态融合数据|73.2%|
|图神经网络|包含不同卷积和池化层|79.7%|
|概率神经网络（PNN）|基于MRI与不同脑区的皮尔逊相关性|90%|
|堆叠自动编码器+多层感知器|在ABIDE数据集上|70%| </