TractGraphFormer: 解剖学信息化混合图 CNN-变压器网络用于从扩散磁共振成像 (MRI) 导图中可解释性和年龄的预测
Yuqian Chen1, Fan Zhang2, Meng Wang3
1Department of Radiology, Brigham and Women's Hospital, Harvard Medical School, Boston, MA, USA.
Medical image analysis
|January 27, 2025
概括
这项研究介绍了TractGraphFormer,这是一种新的深度学习模型,用于使用扩散核磁共振扫描来分析大脑白质连接. 该模型通过整合本地和全球网络特征,准确地预测个人性别和年龄.
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:
- 深度神经网络越来越多地用于研究大脑连接和非成像表型.
- 卷积网络设计往往忽视了白质网络的本地和全球性特性.
研究的目的:
- 介绍TractGraphFormer,这是一个混合Graph CNN-Transformer深度学习框架,用于扩散核磁共振成像.
- 利用白质结构的局部解剖特征和全球特征依赖性来进行改进的分析.
- 应用该模型来预测性别和年龄,并确定预测性白质连接.
主要方法:
- 开发了TractGraphFormer,这是一个混合图形卷积网络 (CNN) - 变压器深度学习框架.
- 利用Graph CNN进行基于白质几何和灰质连接的局部特征聚合.
- 雇员转换器模块具有自我注意力,用于全球信息学习,以及可解释性的注意力模块.
主要成果:
- 在儿童 (n=9345) 和年轻成年人 (n=1065) 的大型数据集上,TractGraphFormer表现出强的性能.
- 发现广泛的白质连接可以预测性别和年龄.
- 在每个预测任务的数据集中确定了一致的预测解剖学轨迹.
结论:
- 整合本地解剖信息和全球特征依赖性可以提高扩散核磁共振图谱中的预测性能.
- 图形图形形式方法显示了在神经科学中推进机器学习应用的巨大潜力.
- 广泛的白质网络属性是人口预测的有价值的生物标志物.
