利用图形卷积网络,从单模态fMRI数据中识别轻度认知障碍:一种多连接模式组合方法
Jie He1,2, Peng Wang3,4, Jun He5
1School of Mathematics and Statistics, Chongqing Jiaotong University, Chongqing 400074, China.
Cerebral cortex (New York, N.Y. : 1991)
|March 11, 2024
概括
这项研究引入了一个新的图形卷积神经网络,具有多模式连接,用于诊断轻度认知障碍 (MCI). 这种新的方法显著改善了使用fMRI数据的功能性大脑网络来识别MCI.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 轻度认知障碍 (MCI) 是阿尔茨海默病进展的关键预测因素.
- 功能性大脑网络越来越多地被用作MCI诊断的生物标志物.
- 现有的图形卷积神经网络 (GCNN) 方法通常依赖于单模大脑连接,限制了诊断潜力.
研究的目的:
- 开发和评估一种新的GCNN方法,整合多模式大脑连接,以改善MCI识别.
- 克服GCNNs中MCI诊断单模连接分析的局限性.
主要方法:
- 利用带有多模型连接的图形卷积神经网络 (GCNN-MC) 来自动提取功能性大脑网络特征.
- 从fMRI数据中集成各种连接模式,以提高诊断性能.
- 评估了GCNN-MC对阿尔茨海默病神经成像倡议 (ADNI) 数据集用于MCI诊断的方法.
主要成果:
- 拟议的GCNN-MC方法在MCI诊断方面实现了92.2%的高准确率.
- 证明了卓越的性能,ROC曲线下的面积为0.988.8.
- 强调了整合多模式连接以提高诊断能力的有效性.
结论:
- 与单模GCNNs相比,GCNN-MC方法为识别轻度认知障碍提供了一种优越的方法.
- 多模式连接集成对于利用功能性大脑网络中的互补信息来进行MCI检测至关重要.
- 这种方法在早期预测和诊断阿尔茨海默病方面显著有前途.
更多相关视频
07:12Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time
Published on: July 1, 2014
12.3K
08:43Application of Granger Causality Analysis of the Directed Functional Connection in Alzheimer's Disease and Mild Cognitive Impairment
Published on: August 7, 2017
7.9K
