通过图形神经网络对数据集进行脑部测量.

科学领域:

• 神经成像和机器学习
• 计算神经科学是一种神经科学.
• 在医疗保健中的数据科学.

背景情况:

• 公共可用的结构性MRI数据集往往缺乏用于机器学习模型开发所需的关键大脑区域测量 (ROI).
• 解决缺失数据的现有方法,如重新应用软件或标准归算技术,对于整个缺失测量来说,计算密集或不足.
• 例如,青少年大脑认知发展 (ABCD) 研究数据集不发布自由冲浪者曲率得分,这阻碍了特定的研究应用.

研究的目的:

• 开发和验证一种新的深度学习方法,用于从公开可用的数据集中归纳整个缺失的神经成像测量集.
• 通过将问题重新定义为跨数据集预测任务来解决当前归算方法的局限性.
• 为了解释在归算过程中的大脑测量中的人口变化,例如性别.

主要方法:

• 提出了一个基于图形的推算 (DAGI) 算法,利用图形神经网络 (GNN) 来建模ROI测量之间的依赖关系.
• 采用并行架构,同时训练图形解码器用于归算和分类器用于预测人口因素.
• 在国家青少年酒精和神经发育联盟 (NCANDA) 数据集上接受了DAGI的培训,以归纳ABCD数据集中缺少的Freesurfer测量.

主要成果:

• 对NCANDA数据集的交叉验证表明,DAGI计算的得分明显优于线性回归和现有的深度学习模型产生的得分.
• 纳入DAGI计算的得分提高了性别分类模型的准确性,而不是仅使用可用的ABCD自由冲浪者得分.
• DAGI成功地将缺失的Freesurfer测量用于ABCD研究的大队伍 (N=3760).

结论:

• DAGI提供了一种有效且计算效率高的解决方案,用于归纳缺失的神经成像数据,克服传统方法的局限性.
• 该方法能够建模区域间的依赖关系,并考虑到人口统计数据,这使得它对于增强大规模神经成像数据集非常有价值.
• 通过利用多种数据源,DAGI有可能提高神经科学研究中的机器学习模型的培训和性能.