×
巴巴克·马苏迪；萨巴兰·达内什瓦尔；赛义德·纳赛尔·拉扎维

基于深度信念网络的多模态特征融合方法诊断精神分裂症。 （英语） Zbl 1468.62396号

国际J.Wavelets多分辨率。信息处理。 19，第3号，文章ID 2050088，16 p.（2021）.
摘要：基于计算机的精神分裂症诊断（SZ）最近成为人们关注的主题。最近的一些研究表明，通过对功能性磁共振成像（fMRI）、结构性磁共振图像（sMRI）和弥散张量成像（DTI）等神经影像数据的处理和分析，在该疾病的诊断中取得了可喜的结果。每一个神经影像数据都提供了不同的大脑结构和功能特征，将它们结合起来可以帮助准确诊断大脑疾病。在这项研究中，我们提出了一种深度学习架构，将功能性大脑数据与两种不同类型的结构性大脑数据相结合，以准确诊断SZ。我们的两步模型由深度信念网络（DBN）和融合规则组成，通过将静息态fMRI与sMRI和DTI数据相结合来提取和学习隐藏特征。我们在从fMRI、MRI和DTI提取的所有特征组合上检查此架构。实验结果表明，多模态融合提高了SZ和健康病例之间的分类精度。通过找到合适的算法参数配置，该方法对COBRE数据集的准确率达到99.36%，优于同类最新研究。

MSC公司：

62页第10页 统计学在生物学和医学中的应用；元分析
62H30型 分类和区分；聚类分析（统计方面）
62华氏35 多元分析中的图像分析

关键词：

深度信念网络；数据融合；深度学习；多模态成像；精神分裂症

软件：

伦敦银行支持向量机
PDF格式BibTeX公司 XML格式引用
\textit{B.Masoudi}等人，《国际小波多分辨率》。信息处理。19，第3号，文章ID 2050088，16 p.（2021；Zbl 1468.62396）
全文： DOI程序

参考文献：

[1] Akbarpour，T.，Shamsi，M.，Daneshvar，S.和Pooreisa，M.，基于非子采样剪切波变换和主分量平均的医学图像融合，Int.J.Wavelets多分辨率信息处理17（2019）1950023·Zbl 1418.92066号
[2] Ardekani，B.A.、Tabesh，A.、Sevy，S.、Robinson，D.G.、Bilder，R.M.和Szeszko，P.R.，弥散张量成像能可靠区分精神分裂症患者和健康志愿者，Hum.Brain Mapp.32（2011）1-9。
[3] Basser，P.J.和Pierpaoli，C.，定量扩散张量MRI阐明的组织的微观结构和生理特征，J.Magn。Reson.213（2011）560-570。
[4] Battiato，S.、Bruna，A.R.和Messina，G.，《嵌入式设备的图像处理》（边沁科学出版社，沙迦，2010年）。
[5] Chang，C.-C.和Lin，C.-J.，LIBSVM：支持向量机库，ACM-Trans。智能系统与技术2（3）（2011）第27条（27页）。
[6] Deng，Y.，Hung，K.S.Y.，Lui，S.S.Y..，Chui，W.W.H.，Lee，J.C.W.，Wang，Y.et al.，《区分首发精神分裂症患者与健康人的基于拖拉机的分类》，《进步神经-心理药理学》。《生物精神病学》88（2019）66-73。
[7] Ennis，D.B.和Kindlmann，G.，《正交张量不变量和扩散张量磁共振图像分析》，Magn。Reson公司。Med.55（2006）136-146。
[8] Ferrarelli，F.、Riedner，B.A.、Peterson，M.J.和Tononi，G.，改变的前额叶活动和连接性预测精神分裂症患者的不同认知缺陷，《大脑映射》36（2015）4539-4552。
[9] Guo，S.，Huang，C.C.，Zhao，W.，Yang，A.C.，Lin，C.P.，Nichols，T.等人，《结合多模态数据搜索精神分裂症生物标记物》，公共科学图书馆·ONE13（2018）1-20。
[10] Han，S.，Huang，W.，Zhang，Y.，Zhao，J.和Chen，H.，使用深度学习方法识别早发性精神分裂症，应用。信息4（2017）16。
[11] Henf，J.，Grothe，M.J.，Brueggen，K.，Teipel，S.和Dyrba，M.，《阿尔茨海默病中皮层灰质的平均扩散率：部分容积校正的重要性》，《神经影像：临床》17（2018）579-586。
[12] Hinton，G.，《深度信仰网络》，学者媒体4（2009）5947。
[13] Hinton，G.E.，《训练受限Boltzmann机器的实用指南》，载于《神经网络：交易技巧》，第2版。（施普林格出版社，2012年），第599-619页。
[14] Jaitly，N.和Hinton，G.，《学习使用受限Boltzmann机器更好地表示语音声波》，载于2011年IEEE国际声学、语音和信号处理（ICASSP）（IEEE，2011年），第5884-5887页。
[15] A.P.James和B.V.Dasarathy，《医学图像特征和数据融合综述》，CoRR，abs/1506.00097（2015）。
[16] Kim，J.、Calhoun，V.D.、Shim，E.和Lee，J.H.，《具有重量稀疏控制和预训练的深度神经网络提取层次特征并提高分类性能：精神分裂症全脑静止状态功能连接模式的证据》，NeuroImage124（2016）127-146。
[17] Liu，J.、Li，M.、Pan，Y.、Wu，F.X.、Chen，X.和Wang，J.，基于结构MRI图像构建的个体分层脑网络的精神分裂症分类，IEEE Trans。纳米生物16（2017）600-608。
[18] Mazziotta，J.C.、Toga，A.W.、Evans，A.C.、Fox，P.T.和Lancaster，J.L.，《数字大脑地图集》，《高级生物统计学》18（1995）1-210。
[19] Melchior，J.、Wang，N.和Wiskott，L.，用于建模自然图像统计的高斯二进制受限Boltzmann机器，《公共科学图书馆·综合》第12卷第3期（2017年）第0174289页。
[20] Mikolas，P.，Hlinka，J.，Skoch，A.，Pitra，Z.，Frodl，T.，Spaniel，F.等人，使用全脑白质分数各向异性对首发精神分裂症谱系障碍和对照进行机器学习分类，BMC精神病学18（1）（2018）97。
[21] Mwangi，B.，Tian，T.S.和Soares，J.C.，《神经成像中的特征简化技术综述》，《神经信息学》12（2014）229-244。
[22] Nazeer，S.S.、Sarasaway，A.、Shenoy，S.J.和Jayasree，R.S.，荧光光谱学作为分级肝纤维化程度的有效工具：与MRI的体内比较，科学。代表8（2018）10967-10967。
[23] 欧尔班，P.，丹瑟罗，C.，德斯博伊斯，L.，蒙戈-普鲁斯，V.，吉古埃尔，C.-É。，Nguyen，H.等人，《基于功能性大脑连通性的精神分裂症诊断分类的多站点概化》，《精神分裂症研究》192（2018）167-171。
[24] Pierpaoli，C.、Jezzard，P.、Basser，P.J.、Barnett，A.和Di Chiro，G.，人脑扩散张量磁共振成像，放射学201（1996）637-648。
[25] Pinaya，W.H.L.，Gadelha，A.，Doyle，O.M.，Noto，C.，Zugman，A.，Cordeiro，Q.et al.，《使用深度信念网络模型表征精神分裂症患者大脑形态计量学的差异》，科学。代表6（2016）38897-38897。
[26] Plis，S.M.、Hjelm，D.R.、Slakhutdinov，R.、Allen，E.A.、Bockholt，H.J.、Long，J.D.等人，《神经成像的深度学习：验证研究》，Front。《神经科学》8（2014）1-11。
[27] Plis，S.M.、Weisend，M.P.、Damaraju，E.、Eichele，T.、Mayer，A.、Clark，V.P.等人，在Comput中对在相同范式下收集的fMRI和MEG数据进行有效连通性分析。《生物医学》41（2011）1156-1165。
[28] Qureshi，M.N.I.，Oh，J.，Cho，D.，Jo，H.J.和Lee，B.，使用混合加权特征串联大脑功能连接和解剖特征与极端学习机器Front，对精神分裂症进行多模态识别。《神经信息》11（2017）1-14。
[29] Qureshi，M.N.I.，Oh，J.和Lee，B.，使用静止状态fMRI基于3D-CNN的精神分裂症鉴别，Artif。智力。Med.98（2019）10-17。
[30] Rashid，B.、Arbabshirani，M.R.、Damaraju，E.、Cetin，M.S.、Miller，R.、Pearlson，G.D.等人，《使用静态和动态静止状态fMRI大脑连通性对精神分裂症和双相情感障碍患者进行分类》，《神经影像学》134（2016）645-657。
[31] Shi，J.，Zheng，X.，Li，Y.，Zhang，Q.和Ying，S.，利用多模态堆叠深度多项式网络进行多模态神经成像特征学习以诊断阿尔茨海默病，IEEE J.Biomed。《健康信息》22（2018）173-183。
[32] Sui，J.，He，H.，Yu，Q.，Chen，J.、Rogers，J.和Pearlson，G.D.等人，结合静息状态fMRI、DTI和sMRI数据，通过N-方式mCCA+jICA，Front来区分精神分裂症。《神经科学》第7期（2013年）第1-14页。
[33] Sui，J.，Yu，Q.，He，H.，Pearlson，G.D.和Calhoun，V.D.，精神分裂症多模式融合方法的选择性回顾，Front。《神经科学》6（27）（2012年）。
[34] Suk，H.-I.，《第1章——神经网络和深度学习简介》，载于《医学图像分析的深度学习》，周，S.K.，格林斯潘，H.和沈，D.主编，第3832卷（学术出版社，2017年），第2-24页。
[35] Suk，H.-I，Lee，S.-W.和Shen，D.，用于AD/MCI诊断的堆叠自动编码器的潜在特征表示，脑结构。功能220（2015）841-859。
[36] Tang，Y.、Wang，L.、Cao，F.和Tan，L.，使用静止状态功能连接性识别精神分裂症：探索性研究和分析，生物医学。工程在线11（2012）50。
[37] Tzourio-Mazoyer，N.，Landeau，B.，Papathanassiou，D.，Crivello，F.，Etard，O.，Delcroix，N.等人，使用MNI MRI单受试者大脑的宏观解剖分割，对SPM激活进行自动解剖标记，《神经影像》15（2002）273-289。
[38] Vapnik，V.N.，《统计学习理论》（Wiley-Interscience，1998年）·Zbl 0935.62007号
[39] Varshney，A.、Prakash，C.、Mittal，N.和Singh，P.，《使用fMRI和sMRI数据集进行精神分裂症诊断的多模式方法》，载于《智能系统技术与应用》（Springer，2016），第869-877页。
[40] Yoo，Y.，Tang，L.Y.W.，Brosch，T.，Li，D.K.B.，Kolind，S.，Vavasour，I.等人，《深入了解正常脑组织中关节髓磷脂和T1w MRI特征以区分多发性硬化患者和健康对照者》，《神经影像：临床》17（2017）169-178。
[41] 臧毅、姜涛、卢毅、何毅和田毅，功能磁共振成像数据分析的区域同质性方法，神经影像22（2004）394-400。
[42] Zhang，Y.，Catts，V.S.，Sheedy，D.，McCrossin，T.，Kril，J.J.和Weickert，C.Shannon，精神分裂症患者大脑皮层灰质体积减少与神经炎症相关，Transl。精神病学6（2016）e982-982。
[43] 邹庆华，朱，C.-Z.，杨，Y.，左，X.-N.，龙，X.-Y.，曹，Q.-J.等人，静止状态fMRI低频波动幅度（ALFF）检测的改进方法：分数ALFF，J.神经科学。方法172（2008）137-141。
[44] Zuo，X.N.，Kelly，C.，Di Martino，A.，Mennes，M.，Margulies，D.S.，Bangaru，S.等人，《共同成长与分离：功能同伦寿命发展轨迹中的地区和性别差异》，《神经科学杂志》30（2010）15034-15043。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。