MMM-DBNF:用于诊断精神分裂症的多地图,多模式和多站点动态大脑网络融合

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 来自fMRI的动态大脑网络 (DBN) 在捕捉功能连接变化方面优于静态网络.
• 现有的DBN经常使用单个地图集和模式,忽视多站点异质性,限制多规模的大脑组织洞察力.
• 精神分裂症 (SZ) 诊断可以从先进的DBN生物标志物中受益.

研究的目的:

• 开发和验证多地图,多模式和多站点DBN融合方法 (MMM-DBNF) 以改进SZ诊断.
• 在多个大脑图谱中整合DBN和结构网络的时空特征.
• 利用多站点图形卷积网络 (MGCN) 进行增强的特征相似性和依赖性建模.

主要方法:

• 提出了MMM-DBNF方法,集成DBN和结构网络,使用每个图谱的时空 (ST) 特征提取模块.
• 使用多站点图形卷积网络 (MGCN) 来建模跨站点特征依赖.
• 来自所有地图集的融合特征用于精神分裂症分类.

主要成果:

• 与其他多图谱融合方法相比,MMM-DBNF在两个SZ数据集上取得了优异的性能,精度为89.30%±0.00%和90.16%±1.48%.
• 废除研究证实了动态建模,ST特征提取,MGCN和多图表融合的显著贡献.
• 识别了歧视性大脑区域,提供了对SZ.前时功能障碍的见解.

结论:

• MMM-DBNF有效地整合了多地图,多模式和多站点DBN,以加强SZ诊断.
• 该方法显示了临床应用的潜力,提高了诊断准确度,并确定了大脑疾病的强大的生物标志物.
• 这些发现强调了多个规模和多个地点的方法在分析精神疾病的大脑网络动态方面的重要性.