偏头痛是一种严重危害人类健康的脑疾病,其中无先兆偏头痛在临床中占比最多且诊断困难。当前无先兆偏头痛辅助诊断算法研究中,基于机器学习的脑影像功能连接分析方法是最主要的研究方向。由于此类方法多依赖于预定义的脑图谱模板,受模板选择主观因素及分类器性能影响,现有方法的智能化程度和准确率较低,难以满足临床及研究需求。基于设计的新型3D-CNN技术,提出了一种无先兆偏头痛智能辅助诊断算法MwoA3D-Net(3D convolutional neural network based diagnosis of migraine without aura)。该算法采用组信息指导的独立成分分析方法,生成被试的静息态脑网络,并以此作为输入训练MwoA3D-Net,实现对无先兆偏头痛患者与健康对照的自动诊断,可避免因先验模板不同导致的结果差异。在算法设计中引入3D数据增强、L1和L2正则化等一系列优化策略,可有效防止过拟合现象的发生。在60名无先兆偏头痛和65名健康被试数据集上的实验结果表明,MwoA3DNet的平均诊断准确率为98.40%,鲁棒性较高,且所选静息态脑功能网络均具有较强的辨识性,可作为无先兆偏头痛的潜在生物标志物用于个体化诊断。
展开▼
