对fMRI数据的结构域神经网络的应用

科学领域:

• 神经科学
• 机器学习
• 数据科学

背景情况:

• 功能磁共振成像 (fMRI) 可以生成时空大脑活动图.
• 由于复杂的时间动态, 从fMRI数据中提取详细信息是具有挑战性的.
• 深度神经网络为分析大型结构化的fMRI数据集提供了潜力.

研究的目的:

• 研究时间和空间特征处理如何影响fMRI分析中的深度学习模型性能和可解释性.
• 为了比较神经网络架构偏向于时间,空间或联合空间-时间特征.
• 开发和评估用于强大的连接体指纹的对比学习方法.

主要方法:

• 在fMRI数据集上比较具有不同架构偏差 (时间,空间,空间-时间) 的神经网络模型 (人类连接组项目,ABIDE).
• 使用长期短期记忆 (LSTM) 网络进行时间分析.
• 实施了用于连接指纹的对比学习框架.

主要成果:

• 强调时间动态的模型,如LSTM,超越了空间或空间-时间混合模型.
• 现有的利用空间或时空特征的方法竞争力较低.
• 一种拟议的对比学习方法使得在培训期间没有完全访问数据集的情况下能够有效地进行连接指纹.

结论:

• 时间特征提取对于使用深度学习的高性能fMRI分析至关重要.
• 复杂的时空或图形建模方法不一定会提高性能,可能会增加不必要的复杂性.
• 未来的研究应该优先考虑fMRI数据分析的深度学习模型的时间动态.