通过空间时间图框架将联合学习与分割学习整合到脑疾病预测框架中
IEEE transactions on medical imaging
|November 7, 2024
概括
这项研究引入了一种结合联合学习和分割学习的新框架,用于使用fMRI数据分析大脑功能连接. 该方法可以实现多站点数据集成,同时保护隐私并提高脑疾病预测的准确性.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 计算神经科学是一种神经科学.
背景情况:
- 功能磁共振成像 (fMRI) 对于绘制大脑功能连接和预测疾病至关重要.
- 功能性MRI数据利用的挑战包括高成本,耗时的数据收集/标签以及阻碍多站点数据集成的隐私问题.
研究的目的:
- 提出一个新的框架,联合学习和分割学习的时空图 (FG),以克服fMRI数据分析的局限性.
- 为了使多站点fMRI数据的隐私保护集成能够进行增强的脑疾病预测.
主要方法:
- 开发了一个集成的联合学习和分割学习空间时间图 (FG) 框架.
- 使用联合和分割学习将时空模型分割为客户端时空和服务器空间模型.
- 整合了时间意识机制和InceptionTime模型用于时间特征提取,以及一个统一的图形卷积网络用于空间集成.
主要成果:
- 在不影响隐私的情况下,FG框架有效地利用多站点fMRI数据.
- 从有限的数据集中证明了过度拟合的风险降低和学习的改善.
- 显著提高了用于fMRI数据分析的时空特征提取.
- 在ABIDE和ADHD200数据集上超越了最先进的方法.
结论:
- 拟议的FG框架为保护隐私的多站点fMRI数据分析提供了强大的解决方案.
- 该方法通过有效利用时空图形网络来增强大脑疾病的预测.
- 通过社区发现算法识别了用于脑疾病预测的潜在生物标志物.
