编码和解码大脑动态功能连接,用于ADHD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.
• 机器学习 机器学习

背景情况:

• 动态功能连接 (FC) 变化与认知功能相关.
• 对于动态FC,传统的滑窗技术面临着诸如分布式转移和高维度等挑战.
• 精确建模动态FC对于理解大脑功能和诊断神经系统疾病至关重要.

研究的目的:

• 介绍BRAINMAP (使用注意力进行INterpretability与Mamba辅助预测的双层表示),一种用于建模动态大脑功能连接的新方法.
• 解决滑动窗技术的局限性,特别是分布式转移和高维度.
• 为了提高注意力缺陷多动症 (ADHD) 检测的准确性,使用动态FC.

主要方法:

• BRAINMAP使用最佳运输来纠正在滑动窗口上的分布式转移.
• 它使用图形神经网络 (GNN) 与注意力机制和Mamba块相结合,从功能性MR图像中捕获时空特征.
• 引入了Top-K滑动窗特征选择算法,以诱导动态FC中的稀疏性.

主要成果:

• 与现有的最先进的动态FC模型相比,BRAINMAP在ADHD检测方面表现优越,在三个数据集 (ADHD-200,UCLA,CNI-TLC) 中,准确度提高了3%至12%.
• 该模型确定了强大的生物标志物,特别是背部注意网络与视觉网络之间的连接.
• 一项关联研究证实了已识别的生物标志物的临床相关性.

结论:

• BRAINMAP在为脑成像分析建模动态功能连接方面取得了重大进展.
• 拟议的方法有效地解决了动态FC分析中的关键挑战,从而提高了ADHD的诊断准确性.
• 已识别的生物标志物,如背部注意力视觉网络连接,对于ADHD诊断和理解其潜在的神经机制具有临床意义.