由多尺度地图集构建的等级图形卷积网络,用于使用功能连接来诊断大脑疾病
概括
这项研究引入了一种新的深度学习框架,用于使用fMRI的多尺度功能连接网络来诊断大脑疾病. 该方法可以准确地识别阿尔茨海默病,轻度认知障碍和自闭症谱系障碍.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 人工智能的人工智能
背景情况:
- 来自fMRI的功能连接网络 (FCN) 对于诊断大脑疾病至关重要.
- 当前的方法往往忽略了跨不同空间尺度的层次功能相互作用.
研究的目的:
- 开发一种用于多尺度FCN分析的新型框架,以改善大脑疾病诊断.
- 将层次大脑组织集成到深度学习模型中,以提高诊断准确度.
主要方法:
- 利用多尺度大脑图谱来计算多尺度的FCN.
- 引入了"Atlas引导的聚合" (AP) 以利用等级关系.
- 开发了一种基于多尺度图表的层次图形卷积网络 (MAHGCN) 用于诊断信息提取.
主要成果:
- 实现了高诊断准确率:阿尔茨海默病 (AD) 的88.9%,轻度认知障碍 (MCI) 的78.6%,自闭症谱系障碍 (ASD) 的72.7%.
- 与竞争方法相比,证明了显著的优势.
- 在1792名受试者的大型数据集上进行了验证.
结论:
- 拟议的MAHGCN框架有效地使用静止状态fMRI和深度学习来诊断大脑疾病.
- 探索大脑层次结构中的多层次功能相互作用对于理解神经病理学和推进诊断工具至关重要.
