BrainMass:推进大脑网络分析以诊断大规模自主监督学习
IEEE transactions on medical imaging
|June 14, 2024
概括
我们开发了BrainMass,这是使用自主监督学习进行大脑网络的新型基础模型. 它在神经科学任务和疾病诊断方面表现出强大的表现和适应性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学图像分析 医学图像分析
背景情况:
- 基础模型在各种任务的自我监督学习中表现出色.
- 医疗数据的异质性和收集挑战从基础模型中受益.
- 关于大脑网络基础模型的研究有限,这阻碍了它们的应用.
研究的目的:
- 解决大脑网络基础模型中的差距.
- 提高神经科学研究中的适应性和通用性.
- 开发一种用于分析大脑网络的多功能框架.
主要方法:
- 从30个来源策划了一个大型数据集 (70,781个样本,46,686名参与者).
- 引入伪功能连接 (pFC) 用于数据增强.
- 提出了BrainMass框架与面具-ROI建模 (MRM) 和隐性表示对齐 (LRA) 进行自我监督学习.
主要成果:
- 在八个内部和七个外部的大脑疾病诊断任务中,BrainMass实现了卓越的性能.
- 在各种神经科学应用中表现出显著的概括性和适应性.
- 展示了强大的少数/零射击学习能力.
结论:
- BrainMass为大脑网络分析提供了一个强大的基础模型.
- 该框架具有临床应用的潜力,因为它可以在疾病背景下进行解释.
- 突出了自我监督学习对推进神经科学研究的有效性.
更多相关视频
12:50Lesion Explorer: A Video-guided, Standardized Protocol for Accurate and Reliable MRI-derived Volumetrics in Alzheimer's Disease and Normal Elderly
Published on: April 14, 2014
40.2K
09:47Author Spotlight: Advancing Alzheimer's Research – Exploring Early Detection and Multi-Omics Approaches
Published on: December 15, 2023
1.0K
