警报:基于阿特拉斯的低估值排名测量方法来检测自闭症谱系障碍

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 独特的大脑区域激活和相互作用,以响应刺激.
• 对fMRI数据的功能连接性分析有助于诊断诸如自闭症谱系障碍 (ASD) 等神经系统疾病.
• 目前的自闭症诊断依赖于耗时的行为评估.

研究的目的:

• 从fMRI数据构建功能连接网络的自动化方法.
• 利用深度神经网络对这些网络的拓相似性进行分类,以检测ASD.
• 通过使用ABIDE数据集来评估拟议方法的有效性.

主要方法:

• 使用fMRI的时间序列数据构建了功能连接网络.
• 相关性矩阵被计算为代表大脑区域的相互作用.
• 使用2D卷积深度神经网络来分析功能连接矩阵.
• 大脑地图被用来绘制大脑区域的地图,并应用了多数投票策略.

主要成果:

• 提出的方法成功地构建了功能连接矩阵的低级张量近似.
• 2D卷积深度神经网络模型展示了分类拓相似性的能力.
• 在ABIDE数据集的测试中,ASD检测准确率为84.79%.
• 准确性与现有的最先进的技术相美.

结论:

• 开发的方法提供了使用fMRI数据进行ASD检测的有效和自动化方法.
• 这种技术提供了早期,经济有效和全面诊断ASD的潜力.
• 功能连接网络分析与深度学习相结合,显示了神经系统疾病诊断的重大前景.