在rs-fMRI中用于功能大脑网络分类的多式深度学习框架.
Belfin Robinson1, William Reuther1, Olivia Leggio1
1Clinical Resting State fMRI Service, Department of Neurology, University of North Carolina at Chapel Hill, Chapel Hill, NC USA.
Cognitive neurodynamics
|November 12, 2025
概括
这项研究使用休息状态fMRI数据的深度学习自动化脑网络分类. 该框架准确地确定了发作区域,改善了临床审查和手术规划.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 的诊断和手术规划依赖于功能性大脑网络的准确识别.
- 休息状态功能磁共振成像 (rs-fMRI) 为分析大脑连接提供了宝贵的数据.
- 自动化rs-fMRI衍生网络的分类可以减少临床实践中的主观性和工作量.
研究的目的:
- 开发和验证一个深度学习框架,用于使用rs-fMRI在患者中功能性大脑网络的自动分类.
- 区分发作发作区域 (SoZ),静止状态网络 (RSN) 和文物/噪声组件.
- 评估空间,时间和光谱特征在网络分类中的贡献.
主要方法:
- 采用混合深度学习架构,将空间特征的3D卷积神经网络 (3D-CNN) 和时间 (TS) 和频域 (FS) 信号的长短期记忆 (LSTM) 网络结合起来.
- 使用独立组件分析 (ICA) 来从rs-fMRI数据中推导功能性大脑网络.
- 一项废除研究评估了不同特征类型 (SF,TS,FS) 对分类性能的影响.
- 专家神经病学家提供了对该模型可解释性和临床相关性的定性验证.
主要成果:
- 混合模型在分类11种不同的ICA组件类型中达到高达70%的准确性,包括SoZ.
- 结合频域信号 (SF+FS) 将ROC AUC提高到0.78,同时结合所有特征 (SF+TS+FS) 获得了最高的精度.
- "噪音"类显示高性能 (高达0.94),而"叶"网络类的得分较低 (0.14-0.24).
结论:
- 开发的数据驱动深度学习框架有效地自动化了RS-fMRI衍生的功能性脑网络在中的分类.
- 空间,时间和光谱特征的整合提高了分类准确性,并支持临床应用,如手术规划.
- 这种方法有可能减少主观性,提高患者大脑成像数据的临床审查效率.
