2D and 3D Deep Learning Models for MRI-based Parkinson's Disease Classification: A Comparative Analysis of Convolutional Kolmogorov-Arnold Networks, Convolutional Neural Networks, and Graph Convolutional Networks

这项研究比较了基于MRI的帕金森病（PD）分类的深度学习架构，介绍了第一个三维（3D）卷积科尔莫戈洛夫-阿诺德网络（ConvKANs）的实现，这是一种新的方法，将卷积层与自适应的样条基础激活结合起来。我们使用三个开源数据集评估了卷积神经网络（CNNs）、ConvKANs和图卷积网络（GCNs），共有142名参与者（75名患有PD和67名年龄相匹配的健康对照组）。对于2D分析，我们从每个T1加权扫描中提取了100个以中脑为中心的轴向切片。对于3D分析，我们使用了整个体积扫描。ConvKANs将可学习的B样条函数与卷积层集成在一起。GCNs将MRI数据表示为图形，理论上可以捕捉传统方法可能忽略的结构关系。展示了可解释性可视化，包括第一个ConvKAN样条激活图和图形节点嵌入的投影。ConvKANs在各个数据集和维度上表现出很高的性能，其中一个数据集的2D AUROC最高（0.98），并且与CNN峰值3D性能（1.00）相匹配。CNN模型表现良好，而GCN模型在3D分析中有所改善，达到了最高0.97的AUROC。与所有模型的2D对应物相比，3D实现产生了更高的AUROC值。ConvKAN实现在PD分类的MRI分析中表现出很大的潜力，特别是在早期诊断的情况下。3D分析的改进突显了体积数据在捕捉微妙的PD相关变化方面的价值。虽然MRI目前不用于PD诊断，但这些发现表明其作为多模式诊断方法的一部分的潜力，特别是用于早期检测。

利用深度学习方法对帕金森病进行MRI诊断，早期和准确诊断帕金森病仍然具有挑战性。

使用三维卷积Kolmogorov-Arnold网络(ConvKANs)进行MRI诊断，该方法将卷积层与自适应的样条激活函数相结合。

论文使用三个开源数据集评估了CNNs、ConvKANs和GCNs的性能，ConvKANs表现出较高的性能，3D实现比2D实现具有更高的AUROC值。此外，论文提供了可解释性的可视化，包括ConvKAN样条激活图和图节点嵌入的投影。

最近的相关研究包括“Deep Learning for Parkinson's Disease Diagnosis Using Structural Magnetic Resonance Imaging Data”和“Parkinson's disease diagnosis using ensemble deep learning with stacked autoencoder-based unsupervised feature learning”。