基于神经网络的CAD系统用于自闭症早期诊断( A Robust DWT〤NN Based CAD System for Early Diagnosis of Autism Using Task‐based fMRI )

R Haweel A Shalaby A Mahmoud N Seada A El〣Az DWT CNN ASD kmeans task‐based fMRI BOLD Signal

目的：任务型功能磁共振成像（Task-based fMRI,TfMRI）是一种用于观察疾病或其他疾病对脑功能活动影响的影像学诊断方法。自闭症谱系障碍（Autism spectrum disorder,ASD）是一种普遍存在的与社交和语言能力障碍相关的发育障碍。机器学习算法被广泛应用于ASD客观诊断的脑成像。最近，深度学习方法在fMRI分类中得到了更多的关注。本文的目的是开发一个基于卷积神经网络(CNN)的框架，利用从语音实验反应中收集的TfMRI数据来帮助ASD的整体诊断。方法：为了实现这一目标，提出的框架采用了一种新的成像标记，整合了与大脑功能活动相关的空间和时间信息。开发的管道由三个主要组成部分组成。在第一步中，使用fMRIB软件库(FSL)中包含的哈佛-牛津概率图谱对收集的TfMRI数据进行预处理和分析。其次，使用FSL对ASD和典型发育(TD)儿童进行分组分析，以确定对言语任务有显著激活的脑区。为了降低脑的空间维数，对这些重要的脑区域进行K均值聚类技术。从每个簇中提取信息性血氧水平依赖(BOLD)信号。提出了利用离散小波变换(DWT)对每个提取的BOLD信号进行压缩的步骤。所采用的小波与预期的血流动力学响应相似，使得DWT能够在突出其激活信息的同时压缩BOLD信号。最后，利用一个深度学习的2D CNN网络，根据从前一步中提取的特征，将患者分类为ASD或TD。结果：对100个TfMRI数据集（50个ASD,50个TD）的初步结果进行10倍交叉验证（敏感性为84%,特异性为76%）,获得80%的正确率（敏感性为84%,特异性为76%）。结论：实验结果表明所提出的框架具有较高的准确性,并有望作为目前使用的ASD诊断工具的辅助工具。

SciDown文献求助系统（解决99%问题） Public Download ResearchGate Wiley Wiley