利用大脑模块化为可解释表示的先决条件学习fMRI的fMRI
IEEE transactions on bio-medical engineering
|February 27, 2024
概括
这项研究引入了一种分析脑部扫描 (rs-fMRI) 的新方法,使得结果更容易理解. 它使用大脑网络模块来寻找潜在的生物标志物来诊断大脑疾病.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 计算神经科学是一种神经科学.
背景情况:
- 休息状态功能磁共振成像 (rs-fMRI) 是通过反映自发神经活动来分析大脑疾病的关键.
- 目前用于fMRI分析的机器/深度学习方法往往缺乏生物解释性.
- 大脑在功能网络中的模块化结构并未被现有的基于学习的方法充分利用.
研究的目的:
- 为使用大脑模块化进行可解释的fMRI分析提出一个新的框架.
- 开发一种由神经认知模块所限制的动态表示学习方法.
- 为了确定可解释的生物标志物用于临床诊断大脑疾病.
主要方法:
- 开发了一个大脑模块化受限制的动态表示学习框架.
- 这一框架包括动态图形构建和模块化受约束的图形神经网络 (MGNN).
- 该MGNN结合了来自三个核心神经认知模块 (突出,中央执行,默认模式网络) 的约束和图形拓重建约束.
主要成果:
- 拟议的方法有效地从rs-fMRI数据中学习可解释的表示.
- 在两个数据集中对534名受试者的实验结果验证了框架的有效性.
- 区分性大脑感兴趣区域 (ROI) 和功能连接被确定为潜在的生物标志物.
结论:
- 大脑模块化受限制的框架提高了fMRI分析的解释性.
- 鉴定到的生物标志物显示出有助于临床诊断大脑疾病的有望性.
- 这种方法提供了使用rs-fMRI分析大脑功能的更有生物学知识的方法.


