脑龄专题

总结磁共振成像的脑龄预测的人工智能模型

脑龄预测的人工智能模型 介绍基于神经影像的BA预测BA预测建模:从统计方法到DL统计方法使用统计/最大似然估计方法的BA研究的主要结果 深度学习使用DL方法进行BA研究的主要结果可解释的人工智能(即可解释的深度学习方案)可解释的能力(Interpretability,)、可因果性和可解释性(explainability)事前模型事后可解释模型可解释模型

使用全局-局部迁移学习方法的脑龄预测

本文提出了一种全局-局部迁移学习方法,通过注意力机制将来自局部图像块的细粒度信息与全局上下文信息融合,以估计大脑年龄。在8个包括8379个年龄范围为0-97岁的健康大脑核磁共振成像的公开数据集上评估了这一方法。使用6个数据集进行交叉验证,使用2个数据集评估泛化能力。与其他现有技术相比,本研究的全局-局部迁移学习方法将估计脑龄的平均绝对误差降低到2.70年,并将估计脑龄与实际脑龄的相关系数提高到0.

基于深度学习的正常衰老和痴呆症中的脑龄预测

大脑衰老过程中会出现一系列功能和结构的改变。阿尔茨海默病(AD),作为一种典型的神经退行性疾病,与大脑加速衰老有关联。在本研究中,我们利用大量的氟脱氧葡萄糖正电子发射断层扫描(FDG-PET)和结构磁共振成像(MRI)数据,构建了一个基于深度学习的大脑年龄预测模型。我们进一步探讨了大脑年龄与多种退行性症状(如轻度认知障碍、AD、额颞叶痴呆和Lewy体痴呆)之间的关系。为了更好地解释模型的工作机制,

深度学习用于脑龄估计

3.2.2. 卷积神经网络       自2017年以来,CNN因其自动特征提取能力和高性能结果,吸引了大量研究者在脑年龄估计方面的应用,并变得非常流行。 • 基于切片的CNN模型:       当谈到基于切片的CNN方法时,2D MRI扫描通常被用来训练二维CNN网络。文献[49]中的工作强调了使用3D CNN进行大脑年龄预测的限制,包括需要大量的参数和训练阶段的计算复杂性。因此,提出了一