阿特拉斯独立的大脑连接组分析 voxel级粒度:图表卷积网络用于新生儿的病因学分类
Anna Speckert1, Lukas Gianinazzi2, Sepp Kollmorgen3
1Center for MR-Research, University Children's Hospital Zurich, Zurich, Switzerland; Neuroscience Center Zurich, University of Zurich, Switzerland; URPP Adaptive Brain Circuits in Development and Learning, University of Zurich, Switzerland; University of Zurich, Zurich, Switzerland.
NeuroImage
|November 2, 2025
概括
图形神经网络 (GNN) 准确地根据病因学分类新生儿大脑连接体,使用voxel级别分析. 这种亚特拉斯独立的方法揭示了细粒度的连接性差异,以改善神经发育障碍的早期识别.
科学领域:
- 神经科学是一个神经科学.
- 医疗成像医学成像
- 机器学习 机器学习
背景情况:
- 早期发现新生儿神经发育障碍对于有效干预至关重要.
- 改变的大脑网络是潜在神经发育问题的关键指标.
研究的目的:
- 探索图形神经网络 (GNN) 的有效性,根据病因因素对新生儿大脑连接体进行分类.
- 调查voxel级连接组分析,以提高风险新生儿的诊断准确性.
主要方法:
- 应用GNN在voxel级粒度的结构性大脑连接体.
- 从患有先天性心脏病 (CHD),非常早产 (PB) 和脊柱裂开口 (SBA) 的新生儿获得分类连接体.
- 使用归因分析与集成的梯度用于可解释性.
主要成果:
- 与以图谱为基础的方法 (F1 = 0.62) 和MLP (F1 = 0.69) 相比,使用voxel级GNNs实现了优异的分类性能 (F1 = 0.78).
- 在Rolandic骨和下额头环等区域中确定了特定于病因学的连接组模式.
- 在早产婴儿中展示了横向化的模式,与已知的神经发育变化保持一致.
结论:
- 沃克塞尔级GNN为新生儿连接组分析提供了一个灵活的,与天文图谱独立的框架.
- 这种方法增强了微妙的鉴定,病因学特定的大脑网络变化.
- 为研究不同新生儿群体和了解早期大脑发育提供了一种新的方法.
