[综述笔记]Deep learning for brain disorder diagnosis based on fMRI images

news2024/11/5 1:20:57

论文网址:Deep learning for brain disorder diagnosis based on fMRI images - ScienceDirect

英文是纯手打的!论文原文的summarizing and paraphrasing。可能会出现难以避免的拼写错误和语法错误,若有发现欢迎评论指正!文章偏向于笔记,谨慎食用

目录

1. 心得

2. 论文逐段精读

2.1. Abstract

2.2. Introduction

2.3. The overview of deep learning methods

2.3.1. Artificial intelligence, machine learning and deep learning

2.3.2. Brief introduction to deep learning techniques in fMRI analysis

2.4. Deep learning in brain disorder diagnosis

2.4.1. Functional connectivity model based approaches

2.4.2. 2D/3D image processing perspective

2.4.3. fMRI images as a time series

2.4.4. Joint spatial and temporal feature exploration

2.4.5. Other deep learning models and training techniques

2.4.6. Summary

2.5. Challenges and future outlook

2.5.1. Discussions

2.5.2. Future outlook

3. Reference


1. 心得

(1)少儿科普是吧?不推荐已经很熟悉这个领域的人看

(2)我怎么才刚开始就要看不下去了

(3)仅用图表示最基础的结构(如CNN或AE),但用过量的文字讲述一万个模型,是一种,让人,极为没有耐心的写作方式

(4)有一种站在未来看过去的感觉...但是吧...有些过去不是非要看的...

2. 论文逐段精读

2.1. Abstract

        ①fMRI can be regarded as image, time series and image series

2.2. Introduction

        ①Introducing fMRI itself→applications→pros and cons→compared with other imaging methods→introducing ML and AI

2.3. The overview of deep learning methods

2.3.1. Artificial intelligence, machine learning and deep learning

(1)Artificial intelligence

        ①介绍了...AI...

        ②The relationship between AI, ML and DL:

(2)Machine learning

        ①Categories of ML: supervised learning, unsupervised Learning, semi-supervised learning and reinforcement learning

(3)Deep learning

        ①...有出色的性能??受益于计算能力??fine

2.3.2. Brief introduction to deep learning techniques in fMRI analysis

        ①Common use DNN: CNN and RNN

        ②Workflow of deep learning:

(1)Convolutional neural networks

        ①介绍CNN????卷积??!激活函数??

        ②图像分类的简化CNN网络???图?和上一张图有什么不一样??

(2)Recurrent neural network

        ①Famous RNN: LSTM and GRU

(3)Auto encoder and decoder

        ①An example AE:

2.4. Deep learning in brain disorder diagnosis

2.4.1. Functional connectivity model based approaches

(1)Functional connectivity model construction

        ①Static and dynamic FC construction methods:

(2)FC based DL methods

        ①ML pipeline:

(3)Direct use of functional connectivity measures

        ①Directly classify FC matrix

        ②疯狂地用文字介绍了一堆方法

(4)End-to-end model for disease classification

        ①继续介绍一堆模型

(5)Connectivity matrices as an analogy to 2D images

        ①...Some researchers consider fMRI as 2D images and Conv it

(6)Comment on functional connectivity based methods

        ①There are some noises in raw fMRI data

2.4.2. 2D/3D image processing perspective

(1)4D fMRI to 2D images conversion

        ①列举了一堆4D转2D然后卷积的办法,从引用就能看出这些办法其实很老了,全在2020之前,而且这本来就有那么点不合理(虽然这篇是22写的啦...所以其实对于现在的我们参考性不是很强)

(2)3D neural network

        ①扒拉了一堆模型

(3)Challenges and opportunities

        ①For limited samples, the prior kownledge is feasible

2.4.3. fMRI images as a time series

        ①继续列

2.4.4. Joint spatial and temporal feature exploration

        ①Lists models with spatial and temporal methods

2.4.5. Other deep learning models and training techniques

(1)Graph CNN and its applications

(2)Generative models

(3)Transfer learning

2.4.6. Summary

        ①作者觉得以后深度学习会在临床诊断中大放异彩

2.5. Challenges and future outlook

2.5.1. Discussions

        ①Non of a DL model can contain all the tasks of disease diagnosis(确实,作者当时写的时候大模型还没有风靡,可能确实觉得,一个模型很难顾及到所有方面)

        ②Challenges: a) costs, b) interpretability

2.5.2. Future outlook

        ①“尽管近年来使用 fMRI 图像在脑部疾病诊断方面取得了巨大成功,但距离临床诊断要求还很远”,没错其实...2024年仍然还有一些距离,还需要一点重大突破...

        ②Researchers should mix all the data together, including electronic medical record, EEG, structural MRI image etc...确实,现在多模态还发展得不错

3. Reference

Yin, W., Li, L., & Wu, F. (2022) 'Deep learning for brain disorder diagnosis based on fMRI images', Neurocomputing, 469: 332-345. doi: https://doi.org/10.1016/j.neucom.2020.05.113

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2232217.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

HarmonyOS:UIAbility组件概述

一、概述 UIAbility组件是一种包含UI的应用组件,主要用于和用户交互。 UIAbility的设计理念: 原生支持应用组件级的跨端迁移和多端协同。支持多设备和多窗口形态。 UIAbility划分原则与建议: UIAbility组件是系统调度的基本单元&#xff0c…

jeecgbootvue2菜单路由配置静态文件夹(public)下的html

需求:想要在菜单配置src/assets/iconfont/chart.html显示页面(目的是打包上线以后运维依然可以修改数据) 官网没有相关数据:菜单配置说明 JeecgBoot 开发文档 看云 问题现象: 我把文件放在src/assets/iconfont/chart.html然后在vue中作为 iframe 的 src 属性&am…

【Vue框架】基础语法练习(1)

其实更多知识点已经在Vue.js官网十分清楚了,大家也可以去官网进行更细节的学习 https://cn.vuejs.org/ 说明:目前最新是Vue3版本的,但是Vue2已经深得人心,所以就是可以支持二者合用。它们最大的区别就是Vue3是组合式API&#xf…

爬虫学习4

from threading import Thread#创建任务 def func(name):for i in range(100):print(name,i)if __name__ __main__:#创建线程t1 Thread(targetfunc,args("1"))t2 Thread(targetfunc, args("2"))t1.start()t2.start()print("我是诛仙剑")from …

qt QScrollArea详解

1、概述 QScrollArea是Qt框架中的一个控件,它提供了一个可滚动的视图区域,用于显示超出视图大小的内容。这个控件非常有用,尤其是在处理大型表格、文本区域、图像集合或任何需要滚动浏览的内容时。QScrollArea本身不直接显示内容&#xff0c…

【ChatGPT】搜索趋势分析

【ChatGPT】搜索趋势分析 为了分析 ChatGPT 在过去一年的流行趋势,我们可以查看 Google Trends 的数据 安装依赖pytrends pip install pytrends运行以下 Python 脚本 import pandas as pd import matplotlib.pyplot as plt from pytrends.request import TrendR…

Mac如何实现高效且干净的卸载应用程序

使用Mac卸载应用程序,你还在使用废纸篓这个办法吗,看不见卸载了什么,看不见清理了多少,真的不会有残留吗 XApp Mac上的卸载专家,强大的垃圾逻辑检测,垃圾扫描更全面,卸载更干净 使用简单&#…

安科瑞AMB400分布式光纤测温系统解决方案--远程监控、预警,预防电气火灾

安科瑞戴婷 可找我Acrel-Fanny 安科瑞AMB400电缆分布式光纤测温具有多方面的特点和优势: 工作原理: 基于拉曼散射效应。激光器产生大功率的光脉冲,光在光纤中传播时会产生散射。携带有温度信息的拉曼散射光返回光路耦合器,耦…

GitHub上传自己的项目

目录 一、安装Git插件 1)下载 2)安装 二、创建Gothub的创库 三、通过Git上传本地文件到Github 四、其他 1、部分指令 2、如果已经运行过git init并设置了[user],下次可以直接用 一、安装Git插件 1)下载 下载地址&#x…

Spring Boot框架

一.SpringBoot简介 1.1 设计初衷 目前我们开发的过程当中,一般采用一个单体应用的开发采用 SSM等框架进行开发,并在 开发的过程当中使用了大量的xml 等配置文件,以及在开发过程中使用MAVEN的构建工具来进 行构建项目,但是往往有…

【C++】vector 类深度解析:探索动态数组的奥秘

🌟快来参与讨论💬,点赞👍、收藏⭐、分享📤,共创活力社区。 🌟 如果你对string类还存在疑惑,欢迎阅读我之前的作品 : 👉【C】string 类深度解析:…

windows——病毒的编写

声明 学习视频来自B 站up主泷羽sec,如涉及侵权马上删除文章。 笔记的只是方便各位师傅学习知识,以下网站只涉及学习内容,其他的都与本人无关,切莫逾越法律红线,否则后果自负。 windows基础 我们学习了前面的window…

STM32 + CubeMX + 硬件SPI + W5500 +UDP

这篇文章记录一下STM32W5500UDP的调试过程,实现UDP数据的接收与发送。 目录 一、W5500模块介绍二、Stm32CubeMx配置三、Keil代码编写1、添加W5500驱动代码到工程(添加方法不赘述,驱动代码可以在官网找)2、在工程中增加代码&#…

原来大佬的测试用例都是这样写的...

1、测试点与测试用例 测试点不等于测试用例,这是我们首先需要认识到的。 问题1:这些测试点在内容上有重复,存在冗余。 问题2:一些测试点的测试输入不明确,不知道测试时要测试哪些。 问题3:总是在搭相似…

【论文解读】Med-BERT: 用于疾病预测的大规模结构化电子健康记录的预训练情境化嵌入

【论文解读】Med-BERT: 用于疾病预测的大规模结构化电子健康记录的预训练情境化嵌入 Med-BERT:pretrained contextualized embeddings on large-scale structured electronic health records for disease prediction ​ ​ 摘要:基于电子健康记录(EHR)的深度学习(DL)预…

天锐绿盾加密软件与Ping32 — 数据安全与性能优化的完美结合

在数字化时代,企业对数据安全的重视程度日益增加。随着网络攻击和数据泄漏事件频发,选择合适的安全解决方案显得尤为重要。天锐绿盾与Ping32作为两款备受推崇的安全软件,各自为企业提供了独特的功能和优势,共同为企业的数据安全和…

随身WiFi三网切换靠谱吗?格行随身WiFi网速怎么样?

出门在外手机流量不够用,连接公共WIFI网速不稳定还存在安全隐患。小巧便携的随身WIFI成了外出用网的首选。面对市面上不同品牌,不同类型的随身WIFI不少朋友不免心生疑问:随身WIFI到底值不值得买?究竟是不是“智商税”?…

服务器数据恢复—SAN环境中LUN映射错误导致文件系统一致性出错的数据恢复案例

服务器数据恢复环境: SAN光纤网络环境,存储由一组6块硬盘组建的RAID6阵列构成,划分为若干LUN,MAP到跑不同业务的SUN SOLARIS操作系统服务器上。 服务器故障&分析: 因为业务需要,用户在该光纤存储环境中…

【skywalking 】More than 15,000 ‘grammar‘ tokens have been presented. 【未解决请求答案】

问题 skywalking相关版本信息 jdk:17skywalking:10.1.0apache-skywalking-java-agent:9.3.0ElasticSearch : 8.8.2 问题描述 More than 15,000 grammar tokens have been presented. To prevent Denial Of Service attacks, parsing has b…

004-Kotlin界面开发快速入水之TicTacToe

程序界面和效果 快速入水 要学习一样跟程序设计有关的东西,最好的办法始终是把手打湿,整一个能够运行,可以实验的东西出来。 也只有在程序开发中,我们才能想一个魔法师而不是魔术师,我们真的能够创造一个东西。而且编…