基于大脑功能和结构数据的双线感知融合算法用于ASD诊断和感兴趣区域识别
Jinxiong Fang1, Da-Fang Zhang2, Kun Xie1
1College of Computer Science and Electronic Engineering, Hunan University, Changsha, 410082, China.
Interdisciplinary sciences, computational life sciences
|September 10, 2024
概括
这项研究引入了一种新的深度学习方法,双线感知融合-图形卷积网络 (BPF-GCN),用于诊断自闭症谱系障碍 (ASD). 通过融合多模式大脑数据,BPF-GCN提高了ASD分类的准确性,优于现有的方法.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医学诊断 医学诊断 医学诊断
背景情况:
- 自闭症谱系障碍 (ASD) 诊断是具有挑战性的,因为复杂的机制和各种表现.
- 目前用于ASD的深度学习方法通常依赖于单个数据模式,限制信息提取和稳定性.
研究的目的:
- 开发一种新的深度学习框架,以改善自闭症谱系障碍的诊断.
- 为了利用多式联运数据融合,实现更强大的ASD分类.
主要方法:
- 提出了一种双线感知融合 (BPF) 算法,集成功能和结构大脑数据.
- 利用图形卷积网络 (GCNs) 来分析大脑网络拓和节点特征.
- 为ASD分类开发了BPF-GCN深度学习框架.
主要成果:
- 在公开的ASD数据集上,BPF-GCN框架实现了82.35%的分类准确性.
- 与现有的ASD诊断方法相比,其表现卓越.
- 成功确定了与自闭症谱系障碍相关的感兴趣区域 (ROI).
结论:
- 该BPF-GCN框架在自闭症谱系障碍诊断的准确性和稳定性方面取得了重大进展.
- 使用双线运算的多模式数据融合增强了用于ASD检测的特征表示.
- 这种方法为及时诊断和治疗ASD提供了有价值的工具.


