学习融合多个大脑功能网络,实现自动自闭症识别
Chaojun Zhang1,2, Yunling Ma2, Lishan Qiao2
1The School of Computer Science and Technology, Shandong Jianzhu University, Jinan 250101, China.
Biology
|July 29, 2023
概括
这项研究引入了一种新的多功能连接网络 (FCN) 融合框架,以改善使用静止状态功能性MRI (rs-fMRI) 进行自闭症谱系障碍 (ASD) 识别. 该方法通过整合多样化的大脑连接模式来提高诊断准确度,以便更好地对ASD进行分类.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 功能连接网络 (FCN) 对于识别诸如自闭症谱系障碍 (ASD) 等大脑功能障碍生物标志物至关重要.
- 现有的FCN估计方法只捕获单一的关系,无法建模复杂的大脑相互作用,并且往往缺乏针对ASD识别的特定任务优化.
研究的目的:
- 提出一个多FCN融合框架,以加强基于rs-fMRI的ASD分类.
- 通过纳入标签信息来改善诊断性能,解决传统无监督FCN估计方法的局限性.
主要方法:
- 使用多种方法估计每个主题的多个FCN,以捕捉各种ROI相互作用.
- 使用ASD/健康控制 (HC) 标签的监督学习来推导最佳FCN重要性的融合权重.
- 将自适应加权的融合FCN应用于ABIDE数据集用于ASD识别.
主要成果:
- 拟议的多FCN融合框架显著提高了ASD识别的诊断准确性.
- 该方法的性能优于传统和最先进的FCN估计技术.
- 在ABIDE数据集上取得了卓越的分类性能.
结论:
- 多FCN融合框架为基于rs-fMRI的ASD分类提供了一个简单而有效的方法.
- 将多个FCN与自适应权重集成,提高了识别ASD中复杂大脑变化的能力.
- 这一框架有望改善神经发育障碍的诊断工具.
