将fMRI时间序列的时间和频率域特征集成用于使用图形神经网络对阿尔茨海默病的分类

科学领域:

• 神经成像是一种神经成像.
• 人工智能的人工智能
• 医学诊断 医学诊断 医学诊断

背景情况:

• 准确的阿尔茨海默病 (AD) 诊断对于有效治疗至关重要.
• 功能磁共振成像 (fMRI) 是一个关键的工具,但目前使用时间域特征的方法对噪声敏感,忽视异步大脑相互作用.
• 现有的方法侧重于同步的大脑区域相互作用,限制了诊断的准确性.

研究的目的:

• 通过整合频率和时间域fMRI数据,开发一种强大的AD诊断方法.
• 通过考虑异步和同步的大脑区域相互作用,克服当前方法的局限性.
• 通过使用先进的神经网络技术,提高阿尔茨海默病检测的准确性和早期性.

主要方法:

• 提出了频时融合图神经网络 (FTF-GNN) 模型.
• 用于频域分析的离散里叶变换 (DFT) 和基于里叶的图形神经网络 (FourierGNN) 进行异步连接.
• 采用图形卷积网络 (GCN) 来捕获同步连接模式,将两个域合并为分类.

主要成果:

• 获得了91.26%的准确性和96.79%的AUC,用于AD与正常控制 (NC) 分类.
• 在区分NC和晚期轻度认知障碍 (LMCI) (87.16%准确率,93.22%AUC) 中表现出最先进的性能.
• 在区分LMCI与AD (85.30%准确率,94.56%AUC) 和早期MCI (EMCI) 与LMCI分类 (77.40%准确率,91.17%AUC) 的竞争性结果方面展示了最佳性能.

结论:

• FTF-GNN模型有效地利用互补的频率和时间域信息来进行可靠的AD诊断.
• 考虑异步和同步的大脑区域相互作用解决了现有的神经成像方法的局限性.
• 提出的方法为准确和早期检测阿尔茨海默病及其亚型提供了一个有希望的解决方案.