特拉克托SCR:一种新的监督对比回归框架,用于预测神经认知测量,使用多站点协调扩散MRI轨道图

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 从神经成像中预测神经认知措施对于理解大脑行为关系至关重要.
• 现有的线性回归模型在这样的预测中显示出有限的准确性.
• 扩散核磁共振扫描提供了对白质微观结构的详细见解.

研究的目的:

• 引入TractoSCR,一种新的深度回归方法,用于基于神经影像增强的神经认知措施的预测.
• 为了利用监督的对比学习进行回归任务,使用扩散MRI通道图.
• 识别关键的白质地带,可以预测高阶认知功能.

主要方法:

• 开发了TractoSCR,一种深度回归模型,采用监督对比学习与扩散MRI通道图.
• 利用了来自青少年大脑认知发展 (ABCD) 研究的大规模数据集 (8,735名参与者).
• 从细粒度纤维集群中提取的白质微观结构测量和使用的换具有重要意义.

主要成果:

• 在预测一般认知能力,执行功能和学习/记忆得分方面,TractoSCR显著超过了最先进的方法.
• 确定了表面白质和条纹前额连接作为高度预测的纤维集群.
• 证明了对比表示学习对神经认知预测的有效性.

结论:

• TractoSCR推进了基于神经成像的认知能力预测,比传统方法提供更高的准确性.
• 这些发现凸显了特定白质区域在高阶认知中的重要性.
• 这项工作强调了深度学习和对比学习在神经科学研究中的潜力.