基于图形的条件生成对抗网络用于重大抑郁症诊断,使用合成功能大脑网络生成

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 大型抑郁症 (MDD) 影响全球数百万人,需要改进的诊断工具.
• 休息状态功能磁共振成像 (rs-fMRI) 衍生功能连接 (FC) 对于MDD诊断至关重要.
• 尽管深度神经网络 (DNN) 和生成对抗网络 (GAN) 应用程序,但有限的FC数据可用性挑战了强大的MDD诊断.

研究的目的:

• 开发一种用于生成合成FC数据的新方法,以保持拓特征以改善MDD诊断.
• 解决现有的基于GAN的方法在捕捉大脑功能连接的复杂拓学的局限性.

主要方法:

• 提出了一个基于图形卷积网络 (GCN) 的有条件GAN,带有类意识的歧视器 (GC-GAN).
• 在生成器和区分器中使用GCN来捕获复杂的FC模式.
• 引入了拓精细化技术,以优化增强FC数据集,以提高诊断能力.

主要成果:

• 与公开可用的rs-fMRI数据集上的现有方法相比,GC-GAN显示出更高的性能.
• 基于GCN的方法有效地捕获了FC的复杂拓特征.
• 生成了高保真度的合成FC数据,提高了MDD的诊断稳定性.

结论:

• GC-GAN为生成高质量的合成FC数据提供了一个有希望的方法.
• 该方法增强了GCN在分析复杂的大脑网络拓学的潜力.
• 这有助于更准确,更强大的诊断能力,主要的抑郁症.