相关实验视频
Updated: Jul 17, 2025
06:35
Basics of Multivariate Analysis in Neuroimaging Data
Published on: July 24, 2010
16.9K
A-GCL:用于fMRI分析诊断神经发育障碍的对抗图对比学习
Shengjie Zhang1, Xiang Chen1, Xin Shen2
1Institute of Science and Technology for Brain-Inspired Intelligence, Fudan University, Shanghai, 200433, China; MOE Key Laboratory of Computational Neuroscience and Brain-Inspired Intelligence, and MOE Frontiers Center for Brain Science, Fudan University, Shanghai, 200433, China.
Medical image analysis
|September 1, 2023
概括
我们开发了一种新的AI模型,A-GCL,用于使用脑成像来诊断神经发育障碍. 这个图形神经网络通过分析功能磁共振成像 (fMRI) 数据来提高诊断的准确性和稳定性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学成像分析 医学成像分析
背景情况:
- 诊断神经发育障碍是复杂的,通常依赖于漫长的认知测试和主观的临床评估.
- 功能磁共振成像 (fMRI) 为客观诊断措施提供了一个有前途的途径.
- 现有的方法可能缺乏可靠临床应用所需的稳定性和准确性.
研究的目的:
- 引入一种新的对抗性自我监督图形神经网络 (GNN) 模型,A-GCL,用于加强神经发育障碍的诊断.
- 利用fMRI数据上的图形对比学习来提高诊断性能和通用性.
- 确定与神经发育障碍相关的关键大脑连接模式.
主要方法:
- 从fMRI数据构建图形,使用低频波动 (ALFF) 波段的幅度作为节点特征,并使用皮尔森相关系数 (PCC) 作为边缘权重.
- 采用对抗性的自我监督方法,使用图形对比学习来提取不变特征.
- 使用可训练的伯努利面具来创建边落的图形,以增强功能稳定性.
主要成果:
- 在三个独立数据集 (ABIDE I,ABIDE II,ADHD) 和三个大脑图谱 (AAL1,AAL3,Shen268) 中,A-GCL显示出卓越的诊断性能和概括性.
- 除研究证实了该模型对马拉松选择和模型参数变化的稳定性.
- 解释性分析确定了关键的功能性大脑连接和涉及神经发育障碍的区域.
结论:
- 拟议的A-GCL模型显著提高了使用fMRI数据进行神经发育障碍诊断的准确性和可靠性.
- A-GCL为精神疾病诊断提供了一个强大的和可通用的框架,优于现有的基于GNN的方法.
- 这些发现为神经发育障碍的神经支提供了宝贵的见解,有助于未来的研究和临床实践.
