从多式神经成像数据中进行精神病频谱标签噪声检测的深度学习方法

科学领域:

• 神经成像是一种神经成像.
• 精神疾病 精神疾病
• 机器学习 机器学习

背景情况:

• 了解精神疾病中的大脑机制是复杂的.
• 神经成像技术提供了洞察力,但具有模式限制.
• 精神病鼻科挑战生物标志物识别.

研究的目的:

• 引入一个深度卷积框架来分类和识别大脑成像数据中的标签噪声.
• 将这一框架应用于精神分裂症患者的结构和功能MRI数据.
• 区分潜在的噪音主题,并根据噪音水平调查子类型.

主要方法:

• 开发了一个用于神经成像数据分析的深度卷积框架.
• 将框架应用于来自精神分裂症数据集的结构和功能MRI数据.
• 利用交叉验证,并引入了一个噪音标准来评估受试者.

主要成果:

• 该模型从静止状态功能性MRI数据中学习,与结构性MRI数据相比,显示出更高的性能和信息性.
• 一个噪音标准有效地区分了每个模式的潜在噪音对象.
• 对边界受试者的分析揭示了具有明显静止状态静态功能连接特征的潜在亚型.

结论:

• 使用神经成像数据,可以将精神分裂症患者与健康对照区分开来.
• 休息状态的功能性MRI数据比结构性MRI数据更具信息性,含有更少的标签噪声.
• 开发的框架有助于识别噪音数据和探索潜在的精神分裂症亚型.