通过多分支视觉变压器 (MB-ViT) 融合多层次的功能连接模式,用于大脑年龄预测
Jingchao Zhou1, Yuzhong Chen1, Xuewei Jin1
1The Clinical Hospital of Chengdu Brain Science Institute, MOE Key Lab for Neuroinformation, School of Life Science and Technology, University of Electronic Science and Technology of China, Chengdu, China.
概括
我们开发了一种新的深度学习模型,多分支视觉转换器 (MB-ViT),通过静止状态功能磁共振成像 (rs-fMRI) 数据准确预测大脑年龄 (BA). 这个工具有助于理解灵长类动物模型中的大脑发育和疾病.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 灵长类动物研究研究
背景情况:
- 大脑年龄 (BA) 反映了大脑的成熟度,对于理解发育和神经精神疾病至关重要.
- 由于它们在生物医学研究中的重要性,预测模型中的BA至关重要.
- 目前对的BA预测方法有限.
研究的目的:
- 开发和验证一个深度学习模型,用于准确预测大脑年龄.
- 识别关键的大脑区域和功能连接,有助于年龄预测.
- 建立研究灵长类模型中与年龄相关的大脑变化的基础.
主要方法:
- 利用了450只 rhesus 的静止状态功能磁共振成像 (rs-fMRI) 数据.
- 开发了一种新的多分支视觉转换器 (MB-ViT) 模型,以融合多层次的大脑功能连接 (FC) 模式.
- 雇员梯度加权类激活映射 (Grad-CAM) 用于识别歧视性大脑区域和连接.
主要成果:
- MB-ViT模型在预测大脑年龄方面取得了很高的准确性,预测和时间学年龄 (CA) 之间的相关性为0.82.
- 在较低的MAE和MSE,较高的PCC和R2方面,表现优于基线模型.
- 确定了初级运动皮质 (M1),视觉皮质,后带皮质 (v23区域) 和异粒状极作为关键预测区域.
结论:
- MB-ViT模型提供了一种有效和准确的方法来预测灵长类动物的大脑年龄.
- 这种方法为未来研究模型中与年龄相关的神经疾病提供了有价值的工具.
- 这些发现有助于提高我们对跨物种大脑衰老的理解.
更多相关视频
07:12Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time
Published on: July 1, 2014
12.3K
12:27Large-scale Reconstructions and Independent, Unbiased Clustering Based on Morphological Metrics to Classify Neurons in Selective Populations
Published on: February 15, 2017
6.9K
