自主监督多式调节学习从MRI数据进行群体推断:发现与疾病相关的大脑区域和多式调节联系
Alex Fedorov1, Eloy Geenjaar1, Lei Wu1
1Tri-Institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS), Georgia State, Georgia Tech, Emory, Atlanta, GA, USA.
NeuroImage
|December 18, 2023
概括
这项研究引入了一种新的自主监督深度学习方法,使用多式联络神经成像数据更好地预测大脑疾病. 这种方法可以提高对大脑复杂性的理解,而不需要标记数据,从而提高诊断能力.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 计算神经科学是一种神经科学.
背景情况:
- 深度学习越来越多地用于用神经成像数据预测大脑疾病.
- 传统方法经常使用单模数据和监督学习,限制了对复杂大脑相互作用的洞察力.
- 标记临床数据的有限可用性限制了监督模型的应用.
研究的目的:
- 提出一种新的自我监督的框架,用于从多式联络神经成像数据中提取多个表示.
- 为了增强群体推断,并使分析无需在预训练期间标记数据.
- 将Deep InfoMax (DIM) 方法扩展到多式联络神经成像数据,以识别与疾病相关的大脑区域和多式联络.
主要方法:
- 杆深度InfoMax (DIM),一种通过相互信息估计进行表示学习的自我监督方法.
- 将DIM扩展到多式神经成像数据 (例如MRI),以识别疾病特定的大脑区域和区域间连接.
- 利用无解码器的策略来提高计算效率.
主要成果:
- 成功确定了与疾病相关的关键大脑区域,包括海马体,尾状体和岛状体.
- 揭示了涉及丘陵体,前体和下丘陵体的显著多式联结.
- 在预测跨阿尔茨海默氏症表型的大脑疾病方面表现出有前途的能力.
- 在分类性能,联合信息捕获和可解释性方面,超越了最先进的无监督和监督方法.
结论:
- 拟议的多式联通自主监督框架有效地从各种神经成像数据中提取有价值的表示.
- 这种方法通过揭示多式联络关系,推进了对复杂大脑疾病的理解.
- 为神经成像研究和临床诊断提供了计算高效和可解释的解决方案.
