基于FMRI的精神分裂症分类CNN和LSTM模型使用DFNC的C-ICA
Moein Esfahani1, Hemanth Venkateswara1, Zening Fu1
1Department of Computer Science, Georgia State University, Atlanta, GA.
medRxiv : the preprint server for health sciences
|March 17, 2025
概括
使用集团知情模板的受约束独立组件分析 (cICA) 改善了静止状态fMRI (rs-fMRI) 分析. 这种方法提高了大脑疾病分类的可靠性,比如精神分裂症检测.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 精神病学是一个精神病学.
背景情况:
- 休息状态fMRI (rs-fMRI) 揭示了休息时的大脑网络相互作用,为健康和混乱状态提供了洞察力.
- rs-fMRI的临床使用受到功能连接的高个体间变异性的限制.
- 像ICA这样的传统方法在平衡个人差异与可概括模式方面面临挑战.
研究的目的:
- 为了评估受约束的ICA (cICA) 的有效性,使用小组信息模板来分析大规模的rs-fMRI数据.
- 评估cICA在使用深度学习模型对精神分裂症进行分类方面的表现.
- 提高rs-fMRI分析的可靠性和临床相关性.
主要方法:
- 对来自不同数据集的100,517个人的rs-fMRI数据进行分析.
- 应用具有强大的质量控制的动态连接管道.
- 使用大数据集中的大脑状态模板作为受约束ICA (cICA) 的先验.
- 使用结合的卷积神经网络 (CNN) 和长短期记忆 (LSTM) 架构对精神分裂症进行分类.
主要成果:
- 限制性ICA (cICA) 使用CNN模型 (87.6%至86.43%) 证明了对精神分裂症的稳定分类准确性.
- 该LSTM模型显示了相似的,虽然略低于最佳的性能,可能是由于序列处理的限制.
- 在cICA中,以集团为基础的方法和先前数据模板提高了rs-fMRI分析的可靠性.
结论:
- 具有集团知情先验的受约束ICA (cICA) 为rs-fMRI分析提供了更好的可靠性.
- 这种方法显示出临床应用的巨大潜力,特别是在分类精神分裂症等脑部疾病方面.
- 这项研究强调了大规模数据集成对推进神经成像分析的价值.
