NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Parkinson hastalığı (PD), beyindeki sinir hücrelerini etkileyen ve kişiden kişiye değişen nörodejeneratif ve progresif bir hastalıktır. PD'nin kesin nedeni hala bilinmemektedir ve PD tanısı kesinlik içeren belirli bir objektif test içermez. Derin öğrenme, tıbbi nörogörüntüleme analizinde büyük ilerleme kaydetmesine rağmen, bu yöntemler nörogörüntüleme veri kümelerinde mevcut olan önyargılara çok duyarlıdır. Sınıf yanlılığını ve tarayıcı yanlılığını hafifletmek için yenilikçi bir dekorla ilgili derin öğrenme tekniği tanıtılırken, aynı zamanda dinlenme durumu fonksiyonel MR (rs-fMRI) verilerinde ayırt edici özellikler bulmaya odaklanır ve bu da PD'yi iyi bir doğrulukla tanımaya yardımcı olur. Dekorrelasyon fonksiyonu, yanlı-değişken özellikleri öğrenmek için özellikler ve yanlılık arasındaki doğrusal olmayan korelasyonu azaltır. Bu çalışmada tek taramalı dengesiz veri kümesi olarak adlandırılan kamuya açık Parkinson İlerleme İşaretleyicileri Girişimi (PPMI) veri kümesi, yöntemimizi doğrulamak için kullanıldı. Dengesiz veri kümesi problemi, çoğunluk sınıfına aşırı uyum sağlayarak derin öğrenme çerçevesinin performansını etkiler. Bu sorunu çözmek için, evrişimsel sinir ağlarına (CNN'ler) dekorrelasyona dayalı optimizasyon uygulayarak yeni bir dekorla ilgili evrişimsel sinir ağı (DcCNN) çerçevesi sunuyoruz. Değerlendirme metrikleri karşılaştırmalarının analizi, dekorelasyon fonksiyonunun entegre edilmesinin, sınıf yanlılığını kaldırarak PD tanıma performansını artırdığını göstermektedir. Özellikle, DcCNN modellerimiz dengesizlik sorununun üstesinden gelmek için mevcut geleneksel yaklaşımlardan önemli ölçüde daha iyi performans gösterir. Son olarak, aynı çerçeve, bir modelin performansını önemli ölçüde etkilemeden tarayıcı değişmez özellikleri oluşturmak için genişletilebilir. Elde edilen veri kümesi, satın alma protokolleri ve tarayıcılardaki farklılıklar nedeniyle tarayıcı yanlılığına yol açan çok taramalı bir veri kümesidir. Multiscanner veri kümesi, PPMI ve FTLDNI-ön-temporal lobar dejenerasyonu nörogörüntüleme girişimi (NIFD) veri kümesi olmak üzere halka açık iki veri kümesinin birleşimidir. T-dağıtılmış stokastik komşu gömme (t-SNE) ve tarayıcı sınıflandırma doğruluğunun sonuçları önerilen özellik ekstraksiyon-DcCNN (FE-DcCNN) modelinin tarayıcı önyargısının etkili bir şekilde kaldırılmasını doğrulamıştır. Yöntemimiz, PD'yi sağlıklı bir kontrolden ayırmak için çoklu tarama veri setinde ortalama% 77,80 doğruluk elde eder, bu da tek taramalı dengesiz veri setinde eğitilmiş DcCNN modelinden üstündür.
Özgün kaynak özetini okuyun
Parkinson's disease (PD) is a neurodegenerative and progressive disease that impacts the nerve cells in the brain and varies from person to person. The exact cause of PD is still unknown, and the diagnosis of PD does not include a specific objective test with certainty. Although deep learning has made great progress in medical neuroimaging analysis, these methods are very susceptible to biases present in neuroimaging datasets. An innovative decorrelated deep learning technique is introduced to mitigate class bias and scanner bias while simultaneously focusing on finding distinguishing characteristics in resting-state functional MRI (rs-fMRI) data, which assists in recognizing PD with good accuracy. The decorrelation function reduces the nonlinear correlation between features and bias in order to learn bias-invariant features. The publicly available Parkinson's Progression Markers Initiative (PPMI) dataset, referred to as a single-scanner imbalanced dataset in this study, was used to validate our method. The imbalanced dataset problem affects the performance of the deep learning framework by overfitting to the majority class. To resolve this problem, we propose a new decorrelated convolutional neural network (DcCNN) framework by applying decorrelation-based optimization to convolutional neural networks (CNNs). An analysis of evaluation metrics comparisons shows that integrating the decorrelation function boosts the performance of PD recognition by removing class bias. Specifically, our DcCNN models perform significantly better than existing traditional approaches to tackle the imbalance problem. Finally, the same framework can be extended to create scanner-invariant features without significantly impacting the performance of a model. The obtained dataset is a multiscanner dataset, which leads to scanner bias due to the differences in acquisition protocols and scanners. The multiscanner dataset is a combination of two publicly available datasets, namely, PPMI and FTLDNI-the frontotemporal lobar degeneration neuroimaging initiative (NIFD) dataset. The results of t-distributed stochastic neighbor embedding (t-SNE) and scanner classification accuracy of our proposed feature extraction-DcCNN (FE-DcCNN) model validated the effective removal of scanner bias. Our method achieves an average accuracy of 77.80% on a multiscanner dataset for differentiating PD from a healthy control, which is superior to the DcCNN model trained on a single-scanner imbalanced dataset.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.