LCGNet:局部序列特征合全球代表性学习功能连接网络分析与fMRI

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 大脑网络分析 脑网络分析

背景情况:

• 休息状态fMRI的功能连接网络 (FCN) 对于了解阿尔茨海默氏症 (AD) 和多动症等脑疾病至关重要.
• 卷积神经网络 (CNN) 在局部特征提取方面表现出色,但在FCN中与全球时间模式作斗争.
• 变压器有效地捕获全球时间特征,但往往错过了本地网络特征.

研究的目的:

• 提出一个新的网络结构,LCGNet,集成CNN和变压器,以增强FCN表示学习.
• 在大脑网络中利用本地和全球的拓信息来改进疾病分类.
• 解决现有方法在捕获全面的FCN特征方面的局限性.

主要方法:

• 从rs-fMRI数据中使用重叠的滑动窗口方法构建动态FCN.
• 采用双脊柱架构,将CNN和变压器结合在顺序组件 (边缘到顶点,顶点到网络,网络到时间层) 中.
• 开发LCGNet,将本地序列特征与全球表示相结合,以便进行全面分析.

主要成果:

• 与现实世界数据集上的现有方法相比,LCGNet在分类大脑疾病方面表现优异.
• 综合方法有效地捕捉到FCN的本地网络属性和全球时间动态.
• 在ADNI和ADHD-200数据集上的实验验证证证了LCGNet的有效性.

结论:

• 通过有效地整合本地和全球FCN特征,LCGNet提供了一种强大的新方法来对脑疾病进行分类.
• 拟议的架构促进了深度学习在神经成像分析中的应用.
• 这种方法有望提高诊断准确度和对神经系统疾病的理解.