Spatial Sequence Attention Network for Schizophrenia Classification from Structural Brain MR Images

要約

統合失調症は、個人の認知能力、行動、社会的相互作用に大きな影響を与える衰弱性の慢性精神障害です。
それは、脳、特に灰白質における微妙な形態学的変化によって特徴付けられます。
これらの変化は手動による観察では感知できないことが多く、診断には自動化されたアプローチが必要です。
この研究では、統合失調症患者を分類するためのディープラーニング手法を導入しています。
これは、構造 MRI (sMRI) から重要な特徴表現を抽出して強調するように設計された空間シーケンス アテンション (SSA) として知られる多様な注意メカニズムを実装することによって実現されます。
最初に、事前トレーニングされた DenseNet を利用して転移学習パラダイムを採用し、統合失調症に関連する形態学的変化を含む最終畳み込みブロックから初期特徴マップを抽出します。
これらの特徴は、提案された SSA によってさらに処理され、脳内のボリューム間の複雑な空間相互作用と関係を捕捉して強調します。
臨床データセットに対して行われた私たちの実験研究により、提案された注意メカニズムが統合失調症分類のための既存の圧迫と興奮ネットワークよりも優れていることが明らかになりました。

要約(オリジナル)

Schizophrenia is a debilitating, chronic mental disorder that significantly impacts an individual’s cognitive abilities, behavior, and social interactions. It is characterized by subtle morphological changes in the brain, particularly in the gray matter. These changes are often imperceptible through manual observation, demanding an automated approach to diagnosis. This study introduces a deep learning methodology for the classification of individuals with Schizophrenia. We achieve this by implementing a diversified attention mechanism known as Spatial Sequence Attention (SSA) which is designed to extract and emphasize significant feature representations from structural MRI (sMRI). Initially, we employ the transfer learning paradigm by leveraging pre-trained DenseNet to extract initial feature maps from the final convolutional block which contains morphological alterations associated with Schizophrenia. These features are further processed by the proposed SSA to capture and emphasize intricate spatial interactions and relationships across volumes within the brain. Our experimental studies conducted on a clinical dataset have revealed that the proposed attention mechanism outperforms the existing Squeeze & Excitation Network for Schizophrenia classification.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google