基于EDX-Net深度学习的帕金森病跨模态早期检测方法研究

《Scientific Reports》：An Ensemble-Dense X-Net model for detection of complex regions in Parkinson’s disease using high-resolution MRI scans

　　

摘要

帕金森病（PD）是一种主要影响日常生活的慢性神经系统疾病。本研究的主要目的是基于认知障碍、情绪快速变化和自我控制障碍等异常行为在早期阶段检测帕金森病。在本研究中，我们使用了一个微调的预训练DenseNet深度学习（DL）模型，该模型在帕金森病的MRI图像上进行了可靠的重新训练。预处理技术，如仿射变换和Patch提取，用于增强输入图像。高级组织分割是另一个将大脑输出图像分割为特定区域的过程。最后，集成密集X网络（EDX-Net）模型用于基于黑质等重要脑区检测帕金森病，并对样本进行分类。所提出的模型被开发为跨模态系统，并在两个神经影像学数据集上进行了有效评估：帕金森病功能磁共振成像（fMRI）图像数据集（D1）和帕金森病痴呆症（PDD）MRI数据集（D2），两者均从Kaggle收集。本研究还侧重于使用fMRI和MRI图像识别受影响的区域。这两个数据集是两种不同的成像模态，即fMRI和MRI。实验结果表明，所提出的方法在D1上达到了灵敏度（Sn）97.78、特异度（Sp）98.34、精确度（P）97.89、准确率（Acc）98.99、F1分数（F1S）96.23的性能；在D2上达到了灵敏度（Sn）98.31、特异度（Sp）96.99、精确度（P）97.78、准确率（Acc）98.45、F1分数（F1S）97.88的性能，且处理时间显著减少。因此，我们可以说所提出的方法在fMRI和MRI图像上运行有效。