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。