MHNet:使用休息状态fMRI诊断神经发育障碍的多视图高阶网络
Yueyang Li1, Weiming Zeng2, Wenhao Dong1
1Lab of Digital Image and Intelligent Computation, Shanghai Maritime University, Shanghai, 201306, China.
Journal of imaging informatics in medicine
|January 28, 2025
概括
这项研究引入了一种新的多视图高阶网络 (MHNet),通过捕捉复杂的大脑网络特征来改进神经发育障碍 (NDD) 的诊断. 通过使用多视图功能连接数据,MHNet显著提高了NDD分类准确性.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 深度学习模型显示出诊断神经发育障碍 (NDD) 的潜力,例如ASD和ADHD.
- 现有的模型往往忽略了来自rs-fMRI数据的脑功能网络 (BFNs) 的高阶特征,从而限制了诊断准确性.
- 图形神经网络 (GNN) 和空间卷积是常用的,但在捕捉复杂的网络层次结构方面存在局限性.
研究的目的:
- 引入一个新的多视图高阶网络 (MHNet) 以提高神经发育障碍 (NDD) 的预测.
- 从rs-fMRI数据中获得的多视图BFNs中捕获层次和高阶特征.
- 通过整合来自欧几里德和非欧几里德空间的特征来改进NDD分类.
主要方法:
- 开发了两个分支的MHNet:欧几里德空间特征提取 (ESFE) 和非欧几里德空间特征提取 (非ESFE).
- ESFE使用功能连接生成 (FCG) 和高阶卷积神经网络 (HCNN) 模块.
- 非ESFE采用类似于互联网的通用脑层次网络生成 (G-IBHN-G) 和高阶图形神经网络 (HGNN) 模块,其次是基于特征融合的分类 (FFC).
主要成果:
- 与最先进的方法相比,MHNet在使用AAL1和Brainnetome Atlas模板的三个公共数据集上表现出更高的性能.
- 废除研究证实了MHNet多视图fMRI信息和高阶特征的有效性.
- 该研究确定了与NDD相关的关键大脑区域,并为网络构建提供了图谱选项.
结论:
- MHNet有效地利用来自欧几里德和非欧几里德空间的多视图特征学习.
- 纳入来自BFN的高级信息显著提高了NDD分类的性能.
- 提出的方法为改善神经发育障碍的诊断提供了一个有希望的方法.
