BDEC:大脑深层嵌入的集群模型,用于休息状态fMRI人类大脑皮层的组级分区

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.
• 机器学习 机器学习

背景情况:

• 休息状态功能磁共振成像 (rs-fMRI) 对于理解大脑功能至关重要.
• 现有的群体级大脑分片方法通常依赖于强有力的模型假设.
• 开发强大的,没有假设的分片技术对于准确的脑网络分析至关重要.

研究的目的:

• 利用rs-fMRI开发一种基于深度学习的小组级大脑分片方法.
• 通过最小化模型假设来克服以前分片方法的局限性.
• 创建一个分块化技术,增强功能连贯性和通用性.

主要方法:

• 建议的大脑深层嵌入式集群 (BDEC),一个深层集群模型.
• 实现了专门的损失函数,以最大限度地提高类间的分离和类内部的相似性.
• 将BDEC应用于rs-fMRI数据,以进行组级大脑分片.

主要成果:

• 与十种现有方法相比,BDEC在功能同质度指标方面表现优越.
• 在分片有效性,下游任务执行和概括方面取得了有利的结果.
• 在大脑分片化中表现出更好的任务处理不均性.

结论:

• BDEC有效地捕捉了内在的功能性大脑特性,产生了可靠和可概括的分片.
• BDEC 模型为大脑网络分析和 rs-fMRI 数据的维度缩小提供了一个有价值的工具.
• 有助于更深入地了解大脑的功能组织.