DCLNet:双重协作学习网络在静态动态功能大脑网络上用于大脑疾病分类

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 机器学习 机器学习

背景情况:

• 静止功能性脑网络 (sFBNs) 和静止状态功能性MRI (rs-fMRI) 的动态功能性脑网络 (dFBNs) 提供了对大脑功能的互补见解.
• 目前的分析往往单独关注sFBNs或dFBNs,限制了全面的大脑疾病分析.
• 现有的将sFBNs和dFBNs集成的方法忽略了关键的类别间和类别内主题分布信息.

研究的目的:

• 开发一种新的方法,双协作学习网络 (DCLNet),用于增强大脑疾病分类.
• 利用sFBNs和dFBNs,以及受试者分布信息,以提高诊断性能.
• 从不同层次的大脑网络表示中提取互补的特征.

主要方法:

• 从rs-fMRI数据使用基于相关性的方法构建sFBNs和dFBNs.
• 采用了一个配合编码器和一个-移植变压器模块来提取和集成多层次的大脑网络特征 (基于连接,基于区域,基于网络).
• 利用协作对比学习模块来捕捉学科分布模式来学习歧视性特征.

主要成果:

• DCLNet有效地整合了来自sFBNs和dFBNs的互补信息.
• 该方法成功地捕获了主体分布信息,增强了特征的可区分性.
• 在两个真实脑疾病数据集上的实验结果表明DCLNet的优越性超过传统方法.

结论:

• 通过协同利用sFBNs,dFBNs和受试者分布信息,DCLNet提供了一种优越的脑疾病分类方法.
• 拟议的方法促进了临床应用的静态和动态脑网络分析的整合.
• DCLNet具有显著的潜力,可以提高基于神经成像的疾病诊断的准确性和稳定性.