本技术方案融合生物信息学与深度学习,旨在提供一种针对ADHD的去噪MRI图像分类预测方法。该方法首先采集脑部MRI影像,随后利用在线训练的无监督去噪网络对影像进行处理,以提高分类预测的准确性。
背景技术
注意缺陷多动障碍(Attention Deficit Hyperactivity Disorder,ADHD)是一种常见的神经发育障碍,影响着全球众多儿童及成人,其主要特征包括注意力不集中、过度活跃以及冲动行为。ADHD的确切诊断主要依赖于临床症状观察、行为量表评估及详细的病史采集,缺乏直接的生物学标志物作为确诊依据。这种依赖主观判断的诊断方式往往导致误诊率较高,影响治疗效果和患者管理。
与此同时,随着医学影像技术的发展,特别是磁共振成像(Magnetic ResonanceImaging,MRI)在神经科学领域的广泛应用,为探索ADHD的神经生物学基础提供了新的视角。MRI能够无创地揭示大脑结构和功能的变化,近年来的研究已发现ADHD患者在大脑体积、白质完整性、以及特定脑区的功能连接等方面存在差异。然而,由于MRI图像易受多种因素干扰产生噪声,如运动伪影、硬件限制等,这些因素往往影响了影像数据的质量和后续分析的准确性。
深度学习,作为人工智能领域的一项革命性技术,其强大的数据处理与特征学习能力已成功应用于医学影像分析,显著提升了疾病的诊断精度。通过构建多层次的神经网络模型,深度学习自动从复杂的影像数据中提取出与疾病相关的微弱特征,实现对疾病状态的精准分类。例如公开号为:CN118588288A的发明申请《基于多模态外观特征的儿童ADHD辅助筛查》,数据采集模块,用于通过摄像头采集视频流数据;数据预处理模块,用于将采集的视频文件分帧,并获取面部感兴趣区域;特征提取模块,运用计算机视觉技术进行头部姿态、表情和凝视分布分析,并进行同质化向量融合;多模态信息分类模块,采用时间卷积网络(TCN)对某时间段内的融合向量与检测结果进行预训练,最后判断患者在整个时间段有无异常行为的分类结果。但是,现有利用深度学习的方法,大多侧重于通过采用改进特征提取网络和目标检测方法实现对ADHD分类预测的准确度,鲜有对于输入的图像先通过去噪手段提高图像质量从而进一步提高分类的效果,因此需对现有技术进行改进。
实现思路