自闭症谱系障碍的分类使用rs-fMRI数据和图形卷积网络
Tianren Yang1, Mai A Al-Duailij2, Serdar Bozdag3
1Knight Foundation School of Computing and Information Sciences, Florida International University (FIU), Miami, Florida.
Proceedings : ... IEEE International Conference on Big Data. IEEE International Conference on Big Data
|July 2, 2024
概括
这项研究引入了一个新的图形卷积网络 (GCN) 模型,使用静态fMRI (rs-fMRI) 数据来识别自闭症谱系障碍 (ASD). 该模型包含了图形拓特征,提高了ASD检测的诊断准确性.
科学领域:
- 神经科学是一个神经科学.
- 数据科学数据科学数据科学
- 医疗成像医学成像
背景情况:
- 自闭症谱系障碍 (ASD) 影响全球许多人,需要早期和准确的诊断.
- 休息状态功能磁共振成像 (rs-fMRI) 揭示了ASD个体的独特神经模式.
- 高维的MRI数据需要先进的分析方法来进行有效的解释.
研究的目的:
- 开发和评估一种新的图形卷积网络 (GCN) 模型,用于使用rs-fMRI数据从健康对照 (HC) 中对ASD患者进行分类.
- 将图形拓计数作为GCN框架中的一个功能,以增强诊断能力.
- 评估模型的准确性和可解释性,以区分ASD与HC.
主要方法:
- 利用了来自ABIDE-I数据集的静止状态fMRI (rs-fMRI) 数据,包括1035名受试者.
- 开发了一个新的图形卷积网络 (GCN) 模型,结合了传统的相关矩阵和图形拓特征.
- 训练并测试GCN模型,将受试者分为ASD和健康对照 (HC) 组.
主要成果:
- 拟议的GCN模型在整个ABIDE-I数据集中实现了64.27%的平均准确性.
- 该模型展示了最高的特定位置准确率75.9%.
- 图表特征被证明可以保存关键的拓信息,有助于区分ASD和HC组.
结论:
- 新的GCN模型有效地利用rs-fMRI数据和图表拓特征用于ASD分类.
- 该模型的性能与现有的最先进的方法相美.
- 这种方法有可能通过神经成像数据改善ASD诊断的解释性.
更多相关视频
14:27Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
Published on: June 26, 2013
15.6K
08:36Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms
Published on: March 21, 2019
7.3K
