多模式跨度背景集群用于使用功能和结构MRI对精神障碍进行分类
Shuqi Yang1, Qing Lan1, Lijuan Zhang1
1The Key Laboratory for Computer Systems of State Ethnic Affairs Commission, Southwest Minzu University, Chengdu, Sichuan 610225, China.
概括
新的多式跨度背景集群 (MCCocs) 模型通过模拟动态尺度切换有效地识别精神障碍中的大脑异常. 这种方法揭示了大脑结构和功能的隐藏相关性,以改善诊断.
科学领域:
- 神经科学是一个神经科学.
- 计算精神病学是一种计算精神病学.
- 医学成像分析 医学成像分析
背景情况:
- 由于大脑的复杂性和多层次性,精神障碍对诊断具有挑战.
- 了解不同尺度的动态大脑活动对于识别精神疾病的神经相关性至关重要.
研究的目的:
- 开发一种新的计算模型,用于在多个尺度上分析大脑活动.
- 通过模拟大脑区域的动态分离和整合来发现与精神障碍相关的隐藏生物标志物.
主要方法:
- 提出了多式联通跨规模上下文集群 (MCCocs) 模型,集成多式联通脑图像数据.
- 在感兴趣的区域 (ROI) 中使用了Voxel Reducer用于局部特征提取和维度减小.
- 采用ROI上下文集群块用于无监督的集群和模拟ROI间的交互,模拟动态规模切换.
主要成果:
- MCCocs模型成功地将多式联接的voxel信息集成到一个新的大脑表征中.
- 证明了该模型能够捕捉大脑各区域的本地协会和全球整合模式.
- 在分类多种精神障碍,识别潜在的歧视性生物标志物方面取得了最先进的表现.
结论:
- MCCocs模型提供了一种强大的方法来分析精神障碍中复杂的大脑动态.
- 模拟尺度切换为与精神病相关的大脑结构功能关系提供了新的见解.
- 该模型的性能表明其在诊断精神障碍方面的临床应用潜力.
