GraSTI-ACL:基于静止状态fMRI的脑疾病诊断的对抗性对比学习的图形时空信息
Biao He1, Erni Ji2, Xiaofen Zong3
1School of Biomedical Engineering, Medical School, Shenzhen University, Shenzhen, 518060, Guangdong, China; Guangdong Provincial Key Laboratory of Biomedical Measurements and Ultrasound Imaging, Shenzhen, 518060, Guangdong, China.
Medical image analysis
|September 26, 2025
概括
这项研究引入了使用静止状态fMRI进行脑疾病诊断的对抗性对比学习的图形空间时间信息 (Graph Spatial-Temporal Infomax,GraSTI). 该方法通过捕捉空间和时间大脑网络动态来提高阿尔茨海默病,MDD和双相情感障碍的诊断准确度.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 计算神经科学是一种神经科学.
背景情况:
- 休息状态功能磁共振成像 (rs-fMRI) 对于大脑疾病研究至关重要,提供有价值的空间和时间数据.
- 图形神经网络 (GNN) 显示了从rs-fMRI分析功能连接网络 (FCN) 的前景.
- 传统的静态FCN难以捕捉动态的大脑活动模式,限制了诊断潜力.
研究的目的:
- 提出一个新的图形增强策略,GraSTI,用于从rs-fMRI改进FCN构建.
- 将GraSTI集成到对抗式对比学习 (ACL) 框架中,以提高诊断准确度.
- 评估该方法在诊断阿尔茨海默病 (AD),主要抑郁症 (MDD) 和双相情感障碍 (BD) 的有效性.
主要方法:
- 根据信息瓶原则开发了Graph Spatial-Temporal Infomax (GraSTI),以保护全球和本地大脑网络信息.
- 在对抗性对比学习框架 (GraSTI-ACL) 中集成 GraSTI,以平衡表达效率和稳定性.
- 将GraSTI-ACL方法应用于来自AD,MDD和BD患者的rs-fMRI数据集.
主要成果:
- 与现有方法相比,GraSTI-ACL在AD (0.13%23.56%),MDD (1.23%13.81%) 和BD (2.53%24.53%) 中取得了显著的诊断准确性改善.
- 该方法表现出强大的解释性,识别了关键的大脑区域和与特定疾病相关的连接.
- 该方法有效地捕捉了功能性大脑连接中的空间和时间动态.
结论:
- 使用rs-fMRI,GraSTI-ACL为诊断大脑疾病提供了一种强大且可解释的方法.
- 该方法能够整合空间和时间信息,这有助于GNN在神经成像中的应用.
- 这项工作突出了适应式图形增强和对比学习在临床神经科学中的潜力.
