脑DAS:结构意识的域适应网络用于多站点脑网络分析

科学领域:

• 神经科学是一个神经科学.
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 由于数据采集的挑战,多站点医疗数据集很常见,但导致领域转移问题.
• 跨站点的异质数据分布阻碍了对自闭症谱系障碍 (ASD) 等疾病的准确识别.
• 域调整是一个有前途的解决方案,但它对图形数据的应用,如大脑网络,仍未得到充分研究.

研究的目的:

• 提出一个端到端结构感知域适应框架,BrainDAS,用于从静止状态功能磁共振成像 (rs-fMRI) 来分析大脑网络.
• 为了应对复杂的图形结构和多个源域在基于图形的域调整中的挑战.
• 在多站点数据集中改进自闭症谱系障碍 (ASD) 的识别.

主要方法:

• 开发了BrainDAS,这是一个两阶段的框架,包含了监督引导的多站点图域适应与动态内核生成.
• 实现了基于注意力的图形聚合,用于在框架内进行图形分类.
• 利用自闭症脑成像数据交换 (ABIDE) 数据集,包括来自17个站点的871名受试者,进行评估.

主要成果:

• 在ABIDE数据集上的各种评估设置中,BrainDAS的性能超过了最先进的算法.
• 该框架展示了有希望的解释性和概括能力.
• 在各种数据源中识别自闭症谱系障碍方面取得了显著的改进.

结论:

• 拟议的BrainDAS框架有效地处理用于大脑网络分析的多站点rs-fMRI数据的域移动.
• 脑DAS为ASD识别提供了一个强大的和可解释的解决方案,其性能优于现有的方法.
• 该框架的成功凸显了结构意识域适应在医学成像中复杂的图形数据的潜力.