粗融合:基于图形粗化的多图表功能连接融合用于自闭症谱系障碍诊断

科学领域:

• 神经成像是一种神经成像.
• 计算神经科学是一种神经科学.
• 生物医学工程 生物医学工程

背景情况:

• 自闭症谱系障碍 (ASD) 影响人口的1-2%,但缺乏可靠的成像生物标志物.
• 休息状态fMRI (rs-fMRI) 绘制了大脑连接,但单个地图分析有局限性.
• 现有的融合方法往往会为了复杂性而牺牲解释性.

研究的目的:

• 开发一个名为CoarseFuse的专题特定的,图形硬化多地图融合框架.
• 提高RS-fMRI分析对ASD诊断的准确性和可解释性.
• 创建低维的伪图书馆,保持ROI级别的可解释性.

主要方法:

• CoarseFuse从多个分片中构建一个统一的超图,使用跨地图谱的亲和关系.
• 它采用封闭形式,相关联信息的拉普拉斯精细化与投影.
• 具有特征意识的局部变化粗化 (LVN) 产生可解释的,低维的伪图表.

主要成果:

• 在ABIDE I数据集上,CoarseFuse实现了82.1%的平衡精度和82.0%的F1得分,超过了基线融合方法.
• LVN 减少了大约 73% 的维度,从 450 个节点减少到 120 个节点.
• 一个离开一个站点的评估证实了对扫描仪和协议变化的稳定性,宏观BA为79.2%,宏观F1为80.1%.

结论:

• CoarseFuse为基于rs-fMRI的ASD诊断提供了一个准确,可扩展和可解释的方法.
• 该框架的学习超级节点与正规的静态网络保持一致,支持生物解释性.
• 本研究介绍了首个针对多图谱rs-fMRI融合的封闭形式拉普拉斯更新,从而提升了诊断能力.