多模板的深度融合使用空间-时间加权多超图卷积网络用于大脑疾病分析

科学领域:

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

背景情况:

• 使用静止状态fMRI (rs-fMRI) 的常规功能连接网络 (FCN) 仅限于对脑区域相互作用.
• 现有的超连接网络 (HCN) 模型主要捕捉空间关系,忽视关键的时间动态和多模板信息.

研究的目的:

• 开发一种新的时空加权HCN (STW-HCN),捕捉高阶时空和空间大脑活动特性.
• 提出一个深度聚变模型,即时空间加权多超图卷积网络 (STW-MHGCN),用于整合多模板 HCN 数据.
• 通过使用先进的神经成像技术,增强神经障碍的分析,如轻度认知障碍 (MCI) 和自闭症谱系障碍 (ASD).

主要方法:

• 用于rs-fMRI数据分片的多个模板.
• 构建了时空加权的HCNs (STW-HCNs) 来建模复杂的大脑相互作用.
• 开发并应用了一个时空加权的多超图卷积网络 (STW-MHGCN),用于跨模板的深度特征融合.

主要成果:

• 与现有的最先进的方法相比,STW-MHGCN方法在分类MCI和ASD方面表现优越.
• 确定了异常的时空超边缘,对了解MCI和ASD中的大脑异常具有重要意义.
• 验证了多模板方法在捕获更丰富的大脑活动信息方面的有效性.

结论:

• 拟议的STW-MHGCN方法通过整合时空和多模板信息,为分析大脑连接提供了更全面的方法.
• 这些发现突显了STW-HCN在促进神经和精神疾病的诊断和理解方面的潜力.
• 异常的时空超边缘代表了大脑异常分析的有前途的生物标志物.