RS-MAE:基于休息状态fMRI的神经精神疾病分类的区域-国家蒙面自编码器

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 医疗成像医学成像

背景情况:

• 静止状态fMRI的动态功能连接 (DFC) 对于分类神经精神疾病至关重要.
• DFC矩阵中的信息冗余以及传统深度学习模型的局限性阻碍了分类准确性.
• 培训数据不足进一步挑战了深度学习模型用于大脑功能分析的有效培训.

研究的目的:

• 提出一个新的区域-国家蒙面自动编码器 (RS-MAE),用于从DFC矩阵中熟练地学习表示.
• 通过解决DFC数据处理和模型培训的局限性,通过使用fMRI数据来增强神经精神疾病分类.
• 开发一种深度学习方法,有效地处理类似连接的数据,并减轻冗余和样本不足的问题.

主要方法:

• 引入了面具自动编码器 (MAE),以减少DFC矩阵冗余,并学习大脑功能表示.
• 开发了区域-州 (RS) 补丁嵌入,通过考虑拓局部来适应MAE对DFC数据.
• 实施随机状态连锁 (RSC) 用于DFC矩阵数据增强,以解决有限的训练样本.

主要成果:

• RS-MAE实现了高分类准确率:ADHD的76.32%,ASD的77.25%,AD的88.87%,SCZ的76.53%.
• 微调RS-MAE编码器证明了其在神经精神疾病分类任务中的熟练程度.
• 该模型的性能在四个公开可用的数据集中得到验证,证实了其有效性.

结论:

• 拟议的RS-MAE是一个有效的深度学习模型,用于从DFC矩阵中进行表示学习.
• 使用fMRI数据,RS-MAE在分类各种神经精神疾病方面表现出显著的有效性.
• 这种方法为利用DFC数据在临床神经科学和诊断应用中提供了一个有希望的解决方案.