大脑网络和智能:基于图形神经网络的方法来静止状态fMRI数据
Bishal Thapaliya1, Esra Akbas2, Jiayu Chen1
1Tri-Institutional Center for Translational Research in Neuro Imaging and Data Science (TreNDS), USA; Department of Computer Science, Georgia State University, Atlanta, USA.
Medical image analysis
|December 21, 2024
概括
研究人员开发了一种新型图形神经网络模型BrainRGIN,用于使用静止状态功能磁共振成像 (rsfMRI) 数据预测流体,结晶和总智能. 这种先进的模型在预测智能方面显示出比现有方法更高的准确性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 认知科学 认知科学
背景情况:
- 休息状态功能磁共振成像 (rsfMRI) 能够在没有基于任务的范式的情况下研究大脑功能组织.
- 了解智能的神经基础对于认知神经科学至关重要.
- 现有的智能预测模型从神经成像数据有局限性.
研究的目的:
- 介绍BrainRGIN,一种用于预测智能的新型图形神经网络架构.
- 为了利用rsfMRI衍生的静态功能网络连接 (sFNC) 来进行情报预测.
- 在大型数据集上对BrainRGIN的性能与既有方法进行评估.
主要方法:
- 利用了具有新架构 (BrainRGIN) 的图形神经网络,结合了基于集群的嵌入和图形异态网络.
- 应用了TopK聚合和基于注意力的读取功能,以实现高效的网络表示.
- 训练并验证了使用sFNC矩阵的青少年大脑认知发展 (ABCD) 数据集上的模型.
主要成果:
- 在预测流体,结晶和总智能方面,BrainRGIN表现出卓越的性能,实现更低的平均平方误差和更高的相关系数.
- 该模型的性能优于现有的图形架构和传统的机器学习方法.
- 鉴定了中前额回环对流体和结晶智能的重要贡献,以及对总智能的多样化的区域集.
结论:
- BrainRGIN是一种有效的工具,可以从rsfMRI数据中预测个人智力差异.
- 这些发现突出了特定大脑区域和网络在智力的不同方面发挥的作用.
- 这项研究提供了一种新的计算方法,用于利用神经成像数据推进智能研究.
