通过卷积网络对精神分裂症进行分类的稀疏性引导的多重功能连接模式.

科学领域:

• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.
• 机器学习 机器学习

背景情况:

• 休息状态功能磁共振成像 (fMRI) 对于分析精神分裂症 (SZ) 等神经精神疾病中的大脑功能连接网络 (FCN) 至关重要.
• 像皮尔森相关性 (PC) 这样的传统方法可能会错过复杂的相互作用,而稀疏表示方法可以过度简化网络结构.
• 现有的方法往往忽略了来自其他大脑区域的混效应,影响了FCN分析的准确性.

研究的目的:

• 用先进的FCN分析开发一种新的精神分裂症分类框架.
• 提高识别SZ诊断大脑网络中的歧视性特征的准确性.
• 探索与精神分裂症异常连接相关的潜在生物标志物.

主要方法:

• 提出了一个新的框架,将卷积神经网络 (CNN) 与稀疏性引导的多功能连接性集成在一起.
• 第一个组件通过结合PC和加权稀疏表示 (WSR) 来构建稀疏FCN,并考虑混效应.
• 第二个组件使用功能连接卷积来学习多个FCN的歧视性特征,采用封闭策略来识别关键区域和连接.

主要成果:

• 与现有方法相比,拟议的方法在精神分裂症识别方面表现优越.
• 该框架成功地确定了SZ的歧视性特征和潜在生物标志物.
• 实验验证实了SZ分类开发的方法的有效性和优势.

结论:

• 新的CNN框架与稀疏导多功能连接提供了一个强大的工具,用于精神分裂症的分类.
• 这种方法增强了对SZ中异常大脑连接的理解.
• 该框架有可能成为各种神经精神疾病的诊断工具.