SpaRG:为可概括的fMRI分析稀疏重建的图形
Camila González1, Yanis Miraoui1, Yiran Fan1
1Stanford University, Stanford, CA 94305, USA.
Machine learning in clinical neuroimaging : 7th international workshop, MLCN 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 10, 2024, proceedings. MLCN (Workshop) (7th : 2024 : Marrakesh, Morocco)
|January 6, 2025
概括
我们开发了Sparsely Reconstructed Graphs (SpaRG),这是一种深度学习方法,用于分析静态功能性MRI (rs-fMRI) 数据. SpaRG识别了关键的大脑连接,提高了性分类等任务的准确性.
科学领域:
- 神经科学是一个神经科学.
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 深度学习模型分析休息状态功能磁共振成像 (rs-fMRI) 数据,以找到与精神疾病和特征相关的模式.
- 在fMRI中解释深度学习的发现是具有挑战性的,因为数据对扫描效应和可视化困难的敏感性.
研究的目的:
- 提出一种结合散散和自我监督的新方法,以提高fMRI分析中的深度学习模型的可解释性和稳定性.
- 开发一种方法,只识别和利用最有信息的大脑连接进行分类任务,减少噪音和改进概括.
主要方法:
- 一个共同的端到端培训框架,涉及稀疏输入口罩,变化自编码器 (VAE) 和下游分类器.
- 使用来自其他站点的未标记数据来保持可概括的输入特征,优化稀疏面罩和VAE.
- 在ABIDE数据集上对稀疏重建图形 (SpaRG) 方法的评估,用于性别分类,包括适应分布之外的地点.
主要成果:
- 对于分类任务,SpaRG有效地识别了一小部分 (1%) 的高度信息化的连接,即使大脑有粗略的分片 (64个区域).
- 该方法在各个领域展示了更好的分类准确性,包括适应新的,未见的数据集.
- SpaRG通过专注于基本的功能连接,提高了深度学习模型的可解释性.
结论:
- 拟议的散散和自我监督方法 (SpaRG) 提供了一种可靠和可解释的方法,用于使用深度学习分析fMRI数据.
- SpaRG成功地减轻了fMRI数据分析中的挑战,从而提高了分类任务的性能和通用性.
- 这种方法为精神病学和特征相关研究中发现大脑连接的有意义模式提供了有价值的工具.
