基于层次大脑网络相互作用的自闭症谱系障碍识别的深度学习方法
Ning Qiang1, Jie Gao2, Qinglin Dong3
1School of Physics and Information Technology, Shaanxi Normal University, Xi'an, China; Center for Brain and Brain-Inspired Computing Research, Department of Computer Science, Northwestern Polytechnical University, Xi'an, China.
Behavioural brain research
|July 29, 2023
概括
一种新的深度学习模型,分层循环变异自编码器 (HRVAE),有效地使用功能磁共振成像 (fMRI) 数据识别自闭症谱系障碍 (ASD). 这种方法分析了层次的功能性大脑网络 (FBNs),达到82.1%的准确性,并推进了ASD诊断.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 医疗成像医学成像
背景情况:
- 深度学习模型在分析功能磁共振成像 (fMRI) 数据以了解大脑活动方面表现有前途.
- 层次深度学习模型可以从fMRI推断出层次功能大脑网络 (FBNs),但它们的应用尚未得到充分探索.
研究的目的:
- 开发一种新的无监督深度学习方法,用于模拟fMRI数据.
- 应用层次性的FBN来识别大脑疾病,特别是自闭症谱系障碍 (ASD).
主要方法:
- 提出了一个层次性的反复变量自编码器 (HRVAE) 来建模fMRI数据.
- 使用LASSO回归来估计HRVAE隐藏层中的等级FBN.
- 在ABIDE数据集上开发了一个使用FBN重叠的分类框架,以区分ASD与典型开发控制 (TDC).
主要成果:
- HRVAE模型成功地导出了层次的FBN,包括已知的静止状态网络 (RSN).
- 该分类框架在识别ASD时实现了82.1%的最先进的准确性.
- 从ABIDE数据集中对871名受试者验证了实验结果.
结论:
- 该研究提出了一种新的数据驱动的深度学习方法,用于使用fMRI识别ASD.
- 层次的FBN相互作用与大脑疾病有关,增强了对FBN层次的理解.
- 该方法为临床诊断提供了有价值的参考资料,并且可以应用于其他大脑疾病分析.
更多相关视频
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.1K
11:14A Novel Experimental and Analytical Approach to the Multimodal Neural Decoding of Intent During Social Interaction in Freely-behaving Human Infants
Published on: October 4, 2015
11.0K
