使用基于多个功能连接的图形卷积网络识别自闭症谱系障碍

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 休息状态功能磁共振成像 (rs-fMRI) 与图形卷积网络 (GCN) 相结合,显示出早期自闭症谱系障碍 (ASD) 诊断的前景.
• 目前的GCN方法往往忽略了来自ASD相关的大脑子网络的关键先前信息,仅专注于全脑连接.

研究的目的:

• 提出一个基于多功能连接的图形卷积网络 (MFC-GCN) 框架,以改善ASD诊断.
• 将全脑和关键的ASD相关脑子网络功能连接数据纳入GCN模型.
• 为了解决自闭症脑成像数据交换 (ABIDE) 数据集中的异质性,使用一种新的外部注意网络读取 (EANReadout).

主要方法:

• 开发MFC-GCN框架,整合全脑和子网络功能连接.
• 引入EANReadout机制来处理数据集异质性和探索主题关联.
• 在ABIDE数据集上进行实验验证,包括714名受试者.

主要成果:

• 拟议的MFC-GCN框架在ABIDE数据集上实现了70.31%的平均准确性.
• 新的EANReadout显著超过了传统的读取层.
• 通过EANReadout,整体框架准确度提高了4.32%.

结论:

• 与EANReadout一起的MFC-GCN框架通过利用多层次的大脑连接信息,为早期ASD诊断提供了更有效的方法.
• EANReadout对于管理数据异质性和提高ASD研究中的分类性能至关重要.
• 这项研究强调了先进的GCN技术在基于神经成像的疾病诊断方面的潜力.