BrainNeXt：基于 MRI 影像的脑部疾病自动检测创新轻量级 CNN 模型

《Cognitive Neurodynamics》：BrainNeXt: novel lightweight CNN model for the automated detection of brain disorders using MRI images

研究人员为自动检测脑部疾病，开展 BrainNeXt 模型研究，其在测试集上准确率超 90%，意义重大。

　　在人体的复杂 “宇宙” 中，大脑无疑是最神秘的 “星球”，它作为中枢神经系统的核心，掌控着人类的感觉、认知、情感和身体机能。大脑由额叶、顶叶、颞叶和枕叶组成，这些脑叶各司其职，一旦受损，就可能引发阿尔茨海默病（AD）、帕金森病（PD）、精神分裂症和癫痫等严重疾病，极大地影响人们的生活质量，甚至危及生命。

早期诊断对于改善脑部疾病患者的生活质量至关重要，能潜在地阻止、减缓或治疗疾病进展。当下，人工智能（AI）技术为脑部疾病的早期诊断带来了新希望。在此背景下，来自多个研究机构的研究人员展开了深入研究，相关成果发表在《Cognitive Neurodynamics》上。

研究人员的主要目标是提出一种名为 BrainNeXt 的新型卷积神经网络（CNN），用于利用磁共振成像（MRI）自动检测脑部疾病，并探究该网络在各种医学应用中的性能。

研究人员采用了多种关键技术方法。首先，收集了一个新的 MRI 数据集，涵盖 AD、慢性缺血、多发性硬化症（MS）和健康对照四类，该数据集包含 2100 名参与者的 T₂加权 FLAIR 图像。其次，受 ConvNeXt 启发，设计了轻量级的 BrainNeXt 模型，它融合了 Swin Transformers Tiny 模型的结构元素。此外，提出了基于预训练 BrainNeXt 的特征工程（FE）方法，通过固定大小的补丁提取特征，并利用邻域成分分析（NCA）选择最具判别力的特征，以支持向量机（SVM）作为分类器。

研究结果主要如下：

• 模型训练与验证：BrainNeXt 模型在训练集上准确率达到 100%，验证集上为 91.35%。
• 模型测试：该模型在测试集上的分类准确率为 94.21%。为进一步提升分类性能，研究人员提出基于补丁的深度特征工程（DFE）方法，其测试准确率高达 99.73%。
• 模型对比：与其他深度学习模型相比，BrainNeXt 及其基于补丁的 FE 方法表现优异。例如，在与 12 种其他 CNN 模型的比较中，BrainNeXt-based FE 方法获得了最高的分类准确率 99.73%。

研究结论和讨论部分表明，BrainNeXt 模型能利用修改后的 ConvNeXt 结构和层间连接功能提取具有临床意义的特征，基于补丁的 FE 方法能提取跨所有类别的判别特征。研究收集的包含慢性缺血与神经退行性疾病的数据集更具现实代表性，NCA 等先进的特征选择技术有助于提取显著特征，提升分类性能。不过，研究也存在一些不足，如可在更大、更多样的 MRI 数据集上测试 BrainNeXt 模型，探索不同版本的 BrainNeXt 模型评估其能力和可扩展性。

总的来说，这项研究具有重要意义。BrainNeXt 模型作为一种轻量级 CNN 架构，参数仅约 890 万个，却能有效提取特征，实现高精度分类。该研究为生物医学图像分类的发展做出了贡献，为未来相关领域的研究奠定了基础。后续研究可进一步拓展数据集，探索不同模型版本，有望推动脑部疾病自动检测技术的发展，为临床诊断提供更有力的支持。