无监督的对比图学习用于静止状态功能性MRI分析和脑部疾病检测

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 计算神经科学是一种神经科学.

背景情况:

• 休息状态功能磁共振成像 (rs-fMRI) 对于理解大脑相互作用至关重要.
• 目前用于fMRI疾病预测的机器/深度学习方法需要大量的标记数据,这阻碍了临床应用.
• 标记fMRI数据是劳动密集型和耗时的,构成一个重要的瓶.

研究的目的:

• 为基于fMRI的脑疾病分析开发一个无监督对比图形学习 (UCGL) 框架.
• 以使用未标记的rs-fMRI数据来实现准确的疾病识别.
• 克服目前神经成像机器学习方法中数据注释的局限性.

主要方法:

• 提出了一个无监督对比图形学习 (UCGL) 框架,利用一个借口模型来生成信息化的fMRI表示.
• 实施了双级fMRI增强策略,以增强血氧水平依赖 (BOLD) 信号.
• 在非监督的对比学习范式中使用并行图的卷积网络来提取特征.

主要成果:

• 与最先进的方法相比,UCGL框架在三个rs-fMRI数据集上表现出更高的性能.
• 在各种大脑疾病的自动诊断中取得了高准确性,包括主要抑郁症,自闭症谱系障碍和阿尔茨海默病.
• 成功完成跨站点和跨数据集的学习任务,突出提出的方法的概括性.

结论:

• UCGL框架提供了一种强大的,无监督的方法,用于使用rs-fMRI数据进行脑疾病诊断.
• 这种方法显著减少了对标记数据的依赖,使其在临床环境中变得更加实用.
• UCGL通过提供一种高效和有效的疾病识别工具来推进神经成像分析领域.