可解释的动态大脑网络分析与功能和结构优先级

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 医学图像分析 医学图像分析

背景情况:

• 动态功能大脑网络 (DFBNs) 对于理解大脑活动和检测疾病至关重要.
• 当前的DFBN分析方法往往缺乏解释性,因为依赖数据驱动模型,忽视了先前的大脑知识.
• 从DFBN中提取复杂的时空特征仍然具有挑战性.

研究的目的:

• 为DFBN分析提出一个可解释的时空张量图卷积网络.
• 提高大脑疾病的DFBN分析的解释性和诊断性能.
• 从DFBNs中有效捕获和提取时空拓特征.

主要方法:

• 整合了功能和结构的先验来构建一个分层的DFBN表示与大脑区域集群.
• 开发了一个张量图卷积网络,具有图内和图内传播,用于时空特征提取.
• 利用功能子网络约束和自我注意力来进行功能增强和融合.

主要成果:

• 拟议的方法在,ADNI和ABIDE数据集上实现了竞争性的诊断性能.
• 证明了用于脑疾病诊断的网络级解释性.
• 有效地捕捉了时空拓,并在子网络内增强了功能一致性.

结论:

• 可解释的时空张量图卷积网络为脑疾病检测中的DFBN分析提供了一个有前途的方法.
• 整合先前的知识可以显著提高模型的解释性和诊断准确性.
• 该方法为与大脑疾病相关的网络层次变化提供了宝贵的见解.