- Сеть кодировщиков мозга, встроенная в Behavior Score, для улучшенной классификации болезни Альцгеймера с использованием фМРТ в состоянии покоя (arXiv)
Автор: Вань-Тин Се, Джереми Лефорт-Беснард, Хао-Чунь Ян, Ли-Вэй Куо, Чи-Чунь Ли.
Резюме: Возможность точного выявления начала деменции имеет важное значение в лечении заболевания. Клинически диагноз пациентов с болезнью Альцгеймера (БА) и легкими когнитивными нарушениями (УКН) основан на комплексной оценке психологических тестов и изображений головного мозга, таких как позитронно-эмиссионная томография (ПЭТ) и анатомическая магнитно-резонансная томография (МРТ). В этой работе, используя два разных набора данных, мы предлагаем сеть кодировщика со встроенными показателями поведения (BSEN), которая интегрирует информацию регулярно проводимых психологических тестов в процедуру кодирования представления данных фМРТ в состоянии покоя субъекта для задач автоматической классификации. BSEN основан на структуре трехмерного сверточного автоэнкодера с контрастными потерями, совместно оптимизированными с использованием показателей поведения из MiniMental State Examination (MMSE) и Clinical Dementia Rating (CDR). Предложенная нами структура классификации с использованием BSEN достигла общей точности распознавания 59,44% (3-классовая классификация: AD, MCI и Healthy Control), и мы дополнительно извлекли наиболее различимые области между здоровым контролем (HC) и пациентами с AD.
2. Нормативное моделирование с помощью условного вариационного автоэнкодера и состязательного обучения для выявления дисфункции мозга при болезни Альцгеймера (arXiv)
Автор: Сюэтун Ван, Каньхао Чжао, Ронг Чжоу, Алекс Леоу, Рикардо Осорио, Ю Чжан, Лифан Хэ.
Резюме: Нормативное моделирование является новым и многообещающим подходом к эффективному изучению гетерогенности расстройств у отдельных участников. В этом исследовании мы предлагаем новый метод нормативного моделирования, сочетающий условный вариационный автоэнкодер с состязательным обучением (ACVAE) для выявления дисфункции мозга при болезни Альцгеймера (БА). В частности, сначала мы обучаем условную VAE в группе здорового контроля (HC), чтобы создать нормативную модель, обусловленную ковариантами, такими как возраст, пол и внутричерепной объем. Затем мы включаем состязательный процесс обучения, чтобы построить дискриминационное пространство признаков, которое может лучше обобщать невидимые данные. Наконец, мы вычисляем отклонения от нормального критерия на уровне пациента, чтобы определить, какие области мозга связаны с БА. Наши эксперименты с базой данных OASIS-3 показывают, что карты отклонений, сгенерированные нашей моделью, демонстрируют более высокую чувствительность к AD по сравнению с другими глубокими нормативными моделями и способны лучше выявлять различия между группами AD и HC.
