基于隔离扩展 CSTC 回路分析的妥瑞氏症 MRI 深度学习分类效能评估

《IEEE Open Journal of Engineering in Medicine and Biology》:Classification of Tourette's Syndrome Using Cortico-Striatal-Thalamic-Cortical Circuit Segmentation and Convolutional Neural Networks: A Machine Learning Study

【字体: 大 中 小 】 时间:2026年10月10日 来源:IEEE Open Journal of Engineering in Medicine and Biology 3.1

编辑推荐:

  摘要:本研究评估了与使用卷积神经网络(CNNs)进行的全脑分析相比,隔离扩展的皮质-纹状体-丘脑-皮质(CSTC)回路是否有助于提高妥瑞氏症(TS)的分类准确性。通过对68张T1加权MRI图像(34张为TS患者,34张为对照组)进行分析,我们比较了FreeSurfer(DKT-A

  

摘要:

本研究评估了与使用卷积神经网络(CNNs)进行的全脑分析相比,隔离扩展的皮质-纹状体-丘脑-皮质(CSTC)回路是否有助于提高妥瑞氏症(TS)的分类准确性。通过对68张T1加权MRI图像(34张为TS患者,34张为对照组)进行分析,我们比较了FreeSurfer(DKT-Atlas)和SLANT分割方法。研究流程包括预处理、基于MONAI的数据增强,以及通过VGG16、VGG19和ResNet50进行分类,并采用了5折交叉验证。结果显示,基于CSTC的分割方法优于全脑模型。使用FreeSurfer的VGG16模型具有最佳性能(准确率为82.4%,敏感性为80.0%,特异性为83.0%),即使在样本量有限的情况下也能超越更复杂的模型。SLANT分割方法的准确率为80.9%。这些发现证实了CSTC回路能够捕捉到关键的神经解剖学特征。通过与专家评分者的一致性验证,这一深度学习框架为儿科神经学中的早期TS诊断提供了一种“生物学第二意见”的概念验证。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号