新利18官方
网络激活地图从第二临时卷积层的输出映射到MNI脑图集。功能磁共振成像（FMRI）是一种用于脑疾病的非侵入性诊断技术。它测量大脑内血氧水平的微小变化随时间，介绍了神经元的局部活动。尽管有其优势，FMRI尚未广泛用于临床诊断。原因是双重的。首先，FMRI信号的变化非常小，以至于它们过于易受噪声的影响，这可以丢弃结果。其次，FMRI数据是复杂的分析。这是深度学习算法进入图片的地方。 CNN可以自主地从隐藏在人类观察者中的输入数据中提取特征。它们通过训练获得这些功能，需要大量预先分类数据。CNN主要用于2D图像分类，这意味着四维FMRI数据（三个空间和一个时间）存在挑战。FMRI数据与大多数现有的CNN设计不兼容。 深度学习方法可以改善广告检测和诊断领域吗？巴马是这样的。“深入学习CNN可以用于提取与广告相关的功能生物标志物，这可能有助于早期检测到有关的痴呆症，”他解释道。
在最近的一项研究中，来自德克萨斯科技大学的科学家们雇用了机器学习分类FMRI数据的算法。他们开发了一种类型的深度学习称为卷积的算法
为了克服这个问题，研究人员开发了一种CNN架构，可以通过最小的预处理步骤来适当地处理FMRI数据。网络的前两层专注于仅基于时间变化从数据中提取特征，而不考虑3D结构性。然后，三个后续层从先前提取的时间特征中提取不同尺度的空间特征。这产生了一系列的时空特性，即最终层用于将输入的FMRI数据分类为从健康主题的输入FMRI数据，其中一个早期或后期的轻度认知障碍，或一个带广告。
这一策略提供了与以前尝试将机器学习与FMRI相结合的许多优势，以进行广告诊断。德克萨斯科技大学博士生和该研究领先作者的博士生解释说，他们的工作中最重要的方面在于他们的CNN架构的品质。新设计简单但可有效处理复杂的FMRI数据，可以将其作为输入到CNN的输入而无需任何显着的操纵或修改数据结构。反过来，这减少了所需的计算资源，并允许算法更快地进行预测。
拟议的CNN的简单但有效的架构经过精心设计，以通过八层处理4D FMRI数据;前两个提取时间特征，接下来的三个关注空间特征，最后三个都朝着分类。
研究人员培训并测试了他们的CNN与来自公共数据库的FMRI数据，并且初始结果很有前景：其算法的分类准确性高于或高于其他方法的分类精度。
如果这些结果支持更大的数据集，他们的临床意义可能是巨大的。“
相关文章
流行文章
