时间动态同步功能性脑网络用于精神分裂症分类和横向化分析分析
IEEE transactions on medical imaging
|June 25, 2024
概括
这项研究引入了一种新的深度学习模型,即Temporal-BCGCN,用于使用休息状态fMRI分析精神分裂症 (SZ) 的大脑活动. 该模型揭示了SZ患者的左半球显著功能障碍,特别是在感知和高阶网络中.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 人工智能在医学中的应用
背景情况:
- 静止状态fMRI (rs-fMRI) 中的动态功能连接提供了对时间变化的脑活动异常的见解.
- 精神分裂症 (SZ) 与大脑网络机制的复杂干扰有关.
- 现有的方法可能无法完全捕捉这些异常的动态性质.
研究的目的:
- 开发和验证使用rs-fMRI检测精神分裂症的先进动态大脑网络分析模型.
- 为了研究精神分裂症中大脑功能障碍的半球横向化.
- 为动态图形卷积网络和聚合引入新的深度学习组件.
主要方法:
- 开发了临时大脑类别图形卷积网络 (临时-BCGCN) 模型.
- 引入了一个动态同步特征提取模块 (DSF-BrainNet) 和一个新的图形卷积方法 (TemporalConv).
- 提出了一个模块化测试工具 (CategoryPool) 用于分析深度学习模型中的半球横向化.
主要成果:
- 实现了高分类准确度 (83.62%在COBRE上,89.71%在UCLA数据集上),表现优于基线和最先进的方法.
- 废弃研究证实了TemporalConv和CategoryPool对传统方法的优越性.
- 与右半球相比,在SZ患者的左半球下层感知和高层网络区域中发现了更严重的功能障碍.
结论:
- 时间-BCGCN模型有效地捕捉了使用rs-fMRI的精神分裂症中的动态大脑网络异常.
- 这项研究强调了精神分裂症中功能障碍的左半球侧面化显著,强调了中间上上额头的作用.
- 开发的深度学习工具为精神疾病的未来研究和临床应用提供了有前途的途径.
