脑流:基于Connectome的fMRI分析的实用管道,用于对象分类

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 医疗成像医学成像

背景情况:

• 功能性大脑网络揭示了复杂的相互作用,对于理解神经模式和诊断疾病至关重要.
• 图形神经网络 (GNN) 擅长分析结构化网络数据,但容易过度适应有限的神经成像数据集.
• 在GNN中过度装备阻碍了它们捕获预测任务相关神经模式的能力.

研究的目的:

• 介绍BrainSTEAM,一个集成的框架,旨在改进使用GNN的功能性脑网络的分析.
• 为了应对神经成像分析中过度配合和有限数据的挑战.
• 提高GNN在临床应用中的预测能力.

主要方法:

• BrainSTEAM使用了一个时空模块,包括EdgeConv GNN,一个自动编码器和Mixup策略.
• 该框架将ROI时间序列信号动态分割成序列,以增强训练数据.
• EdgeConv GNN捕捉了ROI连接,一个自动编码器拒绝了数据,Mixup通过数据增强来增强训练.

主要成果:

• 在ABIDE (自闭症) 和HCP (性别) 数据集上评估了BrainSTEAM.
• 与现有模型相比,该框架表现出卓越的性能和稳定性.
• 结果表明,BrainSTEAM的有效性可以概括到基于连接体的多种fMRI研究.

结论:

• BrainSTEAM为分析功能性大脑网络提供了强大的解决方案,克服了神经成像中传统GNN的局限性.
• 拟议的框架显示了改善神经和精神疾病诊断准确性的巨大潜力.
• BrainSTEAM的机制可以适应基于连接组的fMRI分析中的更广泛应用.