用于功能连接的有条件变异自编码器 自闭症谱系障碍的功能连接分析 功能磁共振成像数据:一项比较研究
Mariia Sidulova1, Chung Hyuk Park1,2
1Department of Biomedical Engineering, School of Engineering and Applied Science, The George Washington University, Washington, DC 20052, USA.
Bioengineering (Basel, Switzerland)
|October 28, 2023
概括
变异自编码器 (VAE) 使用功能连接 (FC) 分析来检测自闭症谱系障碍 (ASD) 中的非典型大脑模式. 基于CNN的VAE在识别这些神经分歧互连模式方面表现出卓越的表现.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 自闭症谱系障碍研究研究
背景情况:
- 生成模型,特别是变异自编码器 (VAE),是新兴的工具,用于检测脑成像数据中的异常模式.
- 这些模型学习典型的大脑模式,通过测量生成或重建图像中的偏差来识别神经分离状态.
- 使用fMRI数据的功能连接 (FC) 分析对于理解大脑区域互连性至关重要.
研究的目的:
- 评估不同VAE架构在自闭症谱系障碍 (ASD) 功能连接 (FC) 分析中的有效性.
- 调查是否结合表型数据可以提高ASD中FC分析的VAE性能.
- 在ASD患者中识别非典型的大脑区域互连性.
主要方法:
- 多个 VAE 架构的比较:有条件的 VAE,反复的 VAE 和混合 CNN-RNN VAE.
- 应用VAE功能磁共振成像 (fMRI) 来自自闭症患者的数据.
- 在包括表型数据和不包括表型数据的情况下对VAE性能进行评估.
主要成果:
- 与其他评估模型相比,基于卷积神经网络 (CNN) 的 VAE 架构在 FC 分析方面表现出更高的有效性.
- 该研究确定了与ASD相关的大脑中特定的非典型互连模式.
- 纳入表型数据显示,在ASD的FC分析中提高VAE性能有潜力.
结论:
- 基于CNN的VAE对于检测自闭症谱系障碍 (ASD) 的非典型功能连接性非常有效.
- 这种方法提供了一种有前途的方法来发现神经分离的大脑模式.
- 对整合表型数据的进一步研究可以完善基于VAE的ASD神经成像分析.
