通过跨模态相互学习来绘制多模态大脑连接组,用于通过跨模态相互学习来诊断大脑疾病

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 多模式大脑连接体分析对于诊断大脑疾病至关重要.
• 功能和结构性大脑网络相互作用,但不是线性相关的,这给数据融合带来了挑战.
• 现有的图形卷积网络 (GNN) 难以有效地结合模式间关系.

研究的目的:

• 提出一种新的跨模态图形神经网络 (Cross-GNN),用于增强多模态大脑连接组分析.
• 通过动态图表学习和相互学习捕捉和利用模式间的依赖关系.
• 通过整合来自不同模式的互补信息来提高脑疾病诊断的准确性.

主要方法:

• 开发了一个跨模态图形神经网络 (Cross-GNN) 架构.
• 采用动态图表学习和相互学习来捕捉模式间的依赖关系.
• 利用注意力合到一个构成空间中,以进行跨模态表示推理.
• 实现显式交叉嵌入和隐式交叉模式蒸,以实现相互学习.

主要成果:

• 在三个数据集中在疾病诊断中表现出卓越的性能.
• 在大脑疾病识别方面取得了有前途的预测准确性.
• 成功识别了与疾病相关的多模连接体生物标志物.

结论:

• 拟议的跨GNN有效地整合了功能和结构大脑网络.
• 该方法推进了多模式大脑连接组分析,以改善疾病诊断.
• 交叉GNN为发现疾病生物标志物和理解大脑疾病提供了一个有希望的方法.