具有潜在分布的功能连接网络,用于轻度认知障碍的识别

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 统计建模 统计建模

背景情况:

• 静止状态功能磁共振成像 (rs-fMRI) 信号是复杂和可变的.
• 估计大脑功能连接网络对于理解大脑功能和功能障碍至关重要.
• 现有的方法可能会与 rs-fMRI 数据的固有变异性作斗争.

研究的目的:

• 开发一种新的生成学习方法来估计大脑功能连接网络.
• 以 rs-fMRI 信号作为概率分布进行建模,以获得更强大的连接估计.
• 通过增强功能网络分析,改善轻度认知障碍 (MCI) 的识别.

主要方法:

• 利用变化自编码器 (VAE) 网络将rs-fMRI信号编码为潜伏空间中的置信分布.
• 绘制了对多变量高斯分布感兴趣的大脑区域的平均时间序列.
• 使用詹森-香农分歧测量对对脑区域相关性,以创建代表功能连接的邻近矩阵.

主要成果:

• 提出的基于VAE的方法有效地估计了功能连接网络.
• 来自VAE隐藏空间的相邻矩阵证明了MCI识别的互补性.
• 使用级联分类器显著提高了MCI检测的分类性能.

结论:

• 这种新的框架从统计建模的角度构建大脑功能网络.
• 该方法增强了人口数据的统计能力,并为数据变化提供了概括.
• 在公共数据集上的实验结果显示,与基线和最先进的MCI识别方法相比,性能优越.