保持基于fMRI的神经系统疾病识别的联合图形学习的特异性

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) 对于理解大脑疾病至关重要.
• 图形神经网络 (GNN) 越来越多地用于fMRI分析,但需要大型的集中数据集,这带来了隐私和后勤挑战.
• 现有的fMRI联合学习 (FL) 方法往往忽略了特定地点的人口变化.

研究的目的:

• 为 rs-fMRI 分析提出一种新的特异性意识的联合图形学习 (SFGL) 框架.
• 为了实现自动化脑疾病识别,同时保持数据隐私,并考虑特定站点的因素.
• 提高神经成像研究中联合学习模型的性能.

主要方法:

• 开发了一个联合学习框架,每个客户网站都有一个共享的和个性化的分支.
• 共享分支使用时空注意力图同型网络进行动态fMRI表示学习.
• 个性化分支集成人口统计数据 (年龄,性别,教育) 和功能连接,用于特定地点的保存.
• 在分类任务中,两个分支机构的融合表示.

主要成果:

• 与最先进的方法相比,SFGL框架显示出更高的性能.
• 两个fMRI数据集的实验结果,包括1218名受试者,验证了该框架的有效性.
• 提出的方法成功地平衡了知识共享与保护特定地点特征.

结论:

• SFGL为保护隐私的多站点 rs-fMRI 分析提供了有效的解决方案.
• 该框架通过结合特定地点的人口统计信息来增强脑部疾病的识别.
• 这种方法促进了联合学习在神经成像研究中的应用.