.png){kind=icon}
返回
A Hierarchical Multi-View Deep Learning Framework for Autism Classification Using Structural and Functional MRI
.png){kind=icon}
OA
AI
DOI：10.3390/jimaging12030109.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
自闭症分类具有挑战性，这是由于自闭症患者中存在细微、异质且重叠的神经激活特征。新型深度学习方法，如卷积神经网络（CNNs）及其变体以及Transformer，在区分自闭症和正常群体方面显示出中等性能；然而，它们往往难以同时捕捉自闭症大脑中存在的空间-结构变化和时序-功能变化。为克服这些不足，我们提出了一种新型分层深度学习框架，用于从双模态MRI扫描中提取内在的空间依赖关系。对于sMRI，我们开发了一种3D分层卷积神经网络，通过沿轴状、矢状和冠状平面的多视角投影来捕捉精细和粗略的解剖结构。对于fMRI案例，我们引入了一种基于双向LSTM的时序编码器，以检查区域大脑动力学和功能连接。序列嵌入和相关性被整合为功能成像的统一时空表示，然后使用多层感知器进行分类，以确保跨检查模态的诊断预测连续性。最后，采用跨模态融合方案来整合两种模态的特征表示。在ABIDE I数据集（NYU仓库）上的广泛评估表明，我们提出的框架优于现有基线，包括Vision/Swin Transformer和各种新开发的CNN变体。对于sMRI分支，我们实现了90.19 ± 0.12%的准确率（精确率：90.85 ± 0.16%，召回率：89.27 ± 0.19%，F1分数：90.05 ± 0.14%，焦点损失：0.3982）。对于fMRI分支，我们实现了88.93 ± 0.15%的准确率（精确率：89.78 ± 0.18%，召回率：88.29 ± 0.20%，F1分数：89.03 ± 0.17%，焦点损失：0.4437）。这些结果证实了所提框架在整合结构性和功能性大脑表示以实现准确自闭症分类方面的优越泛化能力和鲁棒性。
Keyword:
autism spectrum disorder
multi-view learning
hierarchical deep learning
spatiotemporal representation
cross-modality fusion
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
J
IF:
3.3
论文数:
1.1K
被引数:
4.4K
机构
引用论文
Carrington, A.M.; Manuel, D.G.; Fieguth, P.W.; Ramsay, T.; Osmani, V.; Wernly, B.; Bennett, C.; Hawken, S.; McInnes, M.; Magwood, O.; et al. Deep ROC analysis and AUC as balanced average accuracy to improve model selection, understanding and interpretation. arXiv 2021, arXiv:2103.11357. [Google Scholar] [CrossRef]Carrington, A.M.; Manuel, D.G.; Fieguth, P.W.; Ramsay, T.; Osmani, V.; Wernly, B.; Bennett, C.; Hawken, S.; McInnes, M.; Magwood, O.; 等. 深度ROC分析和AUC作为平衡平均精度以改进模型选择、理解和解释. arXiv 2021, arXiv:2103.11357. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏Assessment of glymphatic function and white matter integrity in children with autism using multi-parametric MRI and machine learning使用多参数MRI和机器学习评估自闭症儿童中类淋巴功能与白质完整性EUROPEAN RADIOLOGY
EUROPEAN RADIOLOGYIF4.7
PREAI
分享收藏A comparative study of several classification metrics and their performances on data几种分类指标及其在数据上表现的比较研究
OAAI
OAAI分享收藏Summarizing Recent Developments on Autism Spectrum Disorder Detection and Classification Through Machine Learning and Deep Learning TechniquesAhmed, M.; Hussain, S.; Ali, F.; Gárate-Escamilla, A.K.; Amaya, I.; Ochoa-Ruiz, G.; Ortiz-Bayliss, J.C. 总结机器学习和深度学习技术在自闭症谱系障碍检测与分类方面的最新进展。Appl. Sci. 2025, 15, 8056. [Google Scholar] [CrossRef]
PREAI
分享收藏DAGMNet: Dual-Branch Attention-Pruned Graph Neural Network for Multimodal sMRI and fMRI Fusion in Autism PredictionDAGMNet：用于自闭症预测中多模态sMRI和fMRI融合的双分支注意力剪枝图神经网络OAAI
OAAI分享收藏
查看更多内容