图表级对比学习与自我意识和交叉样本拓增强用于使用rs-fMRI进行脑疾病诊断
Hao Zhang1, Xiaoyun Liu2, Shuo Huang1
1College of Information Science and Technology & Artificial Intelligence, Nanjing Forestry University, Nanjing 210037, China.
概括
这项研究引入了GCSC-TA,这是一种使用休息状态功能性MRI (rs-fMRI) 改进大脑疾病诊断的新方法. 它通过增强大脑网络来增强分析,从而更好地分类和识别异常连接模式.
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:
- 休息状态功能性MRI (rs-fMRI) 对于诊断大脑疾病至关重要.
- 目前的方法在需要大量标记的临床数据方面扎.
- 现有的学习方法在数据采集和注释方面面临挑战.
研究的目的:
- 开发一种使用 rs-fMRI 数据进行脑疾病诊断的先进方法.
- 克服当前fMRI研究中数据依赖性的局限性.
- 为了提高rs-fMRI分析的准确性和可解释性,用于临床应用.
主要方法:
- 拟议的GCSC-TA (图表级对比学习与自我意识和交叉样本拓增强).
- 引入了自我意识和交叉样本拓增强,以创建双视图脑网络.
- 实现了一个min-max对比损失函数用于图形级对比学习.
主要成果:
- 在重大抑郁症 (MDD) 和自闭症谱系障碍 (ASD) 数据集上,GCSC-TA表现出优异的分类性能.
- 该方法有效地识别了MDD和ASD中异常的大脑连接模式.
- 与一些最先进的方法相比,取得了更好的结果.
结论:
- 使用rs-fMRI,GCSC-TA提供了一种可靠和可解释的方法来诊断大脑疾病.
- 双视图增强策略增强了对个体特定特征和主体间异质性的检测.
- 这种方法提升了rs-fMRI在诊断神经和精神疾病方面的临床实用性.
