基于生成对抗网络的医学数据域适应研究

在医疗影像辅助诊断研究中,研究者通常使用不同医院(多域)的数据,但当其中一个域的训练样本较少时,模型在该域的测试集上的分类结果将会很差。针对此问题,提出一种基于生成对抗网络的分类方法进行男女脑影像差异的域适应研究,首先使用生成对抗网络学习不同域的数据分布,并提取关键特征,然后基于提取的关键特征研究不同域的男女脑影像差异。实验表明,该方法在仅有少量数据参与训练的域上也能取得80%以上的分类准确度。

基于深度学习的大脑性别差异分析

深度学习被广泛应用于大脑的相关研究中。通过构建深度学习模型对弥散张量成像数据的各向异性分数进行了性别分类,并通过深度学习特征可视化方法提取了不同性别的重要特征,最后对可视化结果进行了基于体素的分析。结果显示,提出的模型能够准确预测性别,并且达到了96.2%的分类准确率。在可视化的结果中,发现男女大脑之间存在明显差异,其中存在差异的脑区主要表现在胼胝体、顶叶下叶和基底神经节等,这些脑区揭示了男女之间的大脑差异可能与运动能力、数学运算、身体形象感知和情绪控制等方面的能力相关。