功能性大脑网络上的层次特征提取用于自闭症谱系障碍与静止状态fMRI数据的识别
Yiqian Luo1, Qiurong Chen1, Fali Li2
1Laboratory for Brain Science and Artificial Intelligence, School of Computer Science and Technology, Southwest University of Science and Technology, Mianyang, China.
概括
一个新的层次神经网络模型,ASD-HNet,通过静止状态功能磁共振成像 (rs-fMRI) 改进了自闭症谱系障碍 (ASD) 的识别. 这种方法通过在多个尺度上分析大脑网络特征,提供了更客观的诊断.
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
- 医疗成像医学成像
背景情况:
- 自闭症谱系障碍 (ASD) 是一种通过主观方法诊断的发育障碍,导致潜在的误诊.
- 需要客观的诊断工具来改善自闭症谱系障碍 (ASD) 的识别.
- 休息状态功能磁共振成像 (rs-fMRI) 为客观的ASD评估提供了一个有前途的途径.
研究的目的:
- 引入ASD-HNet,一种用于自闭症谱系障碍 (ASD) 识别的新型层次神经网络模型.
- 通过对功能性大脑网络的客观分析,提高ASD诊断的准确性.
- 为了确定与自闭症谱系障碍 (ASD) 相关的特定大脑区域.
主要方法:
- 使用静止状态功能磁共振成像 (rs-fMRI) 数据进行自闭症谱系障碍 (ASD) 分析.
- 在地方,社区和全球范围内实施层次化的特征提取方法.
- 在ASD-HNet模型中使用图形卷积,函数梯度,K-Means聚类和全局特征提取.
主要成果:
- 与现有方法相比,ASD-HNet模型在自闭症谱系障碍 (ASD) 识别方面表现优越.
- 在多个数据集上进行了验证,包括ABIDE-I,ADHD-200和ABIDE-II.
- 层次的方法有效地提取了大脑的表征,提高了诊断的准确性.
结论:
- ASD-HNet提供了一种更客观,更准确的自闭症谱系障碍 (ASD) 诊断方法.
- 该模型的层次特征提取增强了对ASD大脑变化的理解.
- 与先进的神经网络相结合的rs-fMRI显示出在ASD评估中临床应用的巨大潜力.
