
-
生物通官微
陪你抓住生命科技
跳动的脉搏
混合Vi+ECNN框架在医学影像中提升ADHD(注意力缺陷多动障碍)诊断的准确性
《Scientific Reports》:Hybrid Vi+ECNN framework for advanced ADHD diagnostic accuracy in medical imaging
【字体: 大 中 小 】 时间:2026年05月03日 来源:Scientific Reports 3.9
编辑推荐:
摘要注意缺陷/多动障碍(ADHD)是一种常见的神经发育障碍,给个人和社会带来了巨大的负担。传统的诊断方法主要依赖于行为评估,但这些方法容易受到主观性和变异性的影响,因此迫切需要客观、自动化的诊断工具。本研究开发了一种针对ADHD的、基于生物学信息的多流深度学习框架,用于儿童脑部M
注意缺陷/多动障碍(ADHD)是一种常见的神经发育障碍,给个人和社会带来了巨大的负担。传统的诊断方法主要依赖于行为评估,但这些方法容易受到主观性和变异性的影响,因此迫切需要客观、自动化的诊断工具。本研究开发了一种针对ADHD的、基于生物学信息的多流深度学习框架,用于儿童脑部MRI图像的分类。该框架结合了视觉变换器(ViT)和增强型卷积神经网络(ECNN),以及原始MRI数据、相位谱变换(PST)和分位数直方图均衡去噪(QHED)技术,以捕捉全局和局部的神经解剖特征。该架构通过将ViT提供的全局上下文信息与ECNN提取的局部特征相结合,利用了两种技术的互补优势。在生物学信息驱动的多流预处理策略中,原始MRI数据用于保留整体解剖结构,相位谱变换用于突出大脑皮层的边界不规则性,而分位数直方图均衡去噪技术则增强了灰质与白质之间的对比度。在分层儿童MRI数据集上的实验评估表明,所提出的ViT+ECNN模型分类准确率为99.4%,精确度为99.3%,召回率为99.5%,F1分数为0.99,显著优于单独使用ViT或ECNN的方案。这些结果表明,混合型的变换器-卷积模型能够显著提高诊断准确性,为ADHD的早期识别和干预提供了有前景的方法。
生物通微信公众号