使用具有多个连接模式的图形卷积网络识别基本震动和动震动

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.
• 医疗成像医学成像

背景情况:

• 基本 (ET) 和静脉 (DT) 是不同的运动障碍.
• 了解它们的潜在神经病理机制对于诊断和治疗至关重要.
• 图形卷积网络 (GCNs) 为分析复杂的大脑数据提供了一种强大的方法.

研究的目的:

• 用多连接GCN (MCGCN) 模型识别与ET和DT相关的突出大脑区域和连接模式.
• 探索ET和DT背后的神经病理机制.
• 根据大脑连接来区分ET,DT和健康对照 (HCs).

主要方法:

• 收集了55名ET患者,51名DT患者和52名HC患者的休息状态功能性MRI (Rs-fMRI) 数据.
• 使用三个不同的模式构建功能连接 (FC) 矩阵,并将它们输入到四个GCN架构中进行分类.
• 利用Grad-CAM识别歧视性大脑区域,并使用图形理论和相关性分析进行验证.

主要成果:

• GCN模型实现了高分类准确率:91.36% (DT与HC),85.91% (ET与HC) 和86.64% (ET与DT).
• 识别的歧视性大脑区域主要在基底,大脑 - 丘脑 - 皮质运动电路和非运动皮质区域.
• 这些突出区域的节点效率与临床特征有负相关性.

结论:

• 这项研究将经典震网络与ET和DT的病变产生联系起来.
• 这些发现有助于我们更好地理解这些震疾病中基于FC的病理生理机制.
• MCGCN提供了一种强大的方法来识别ET和DT的神经成像生物标志物.