VarCoNet:一种自主监督的可变性意识框架,用于从静止状态的fMRI中提取功能连接体
Charalampos Lamprou1, Aamna Alshehhi1,2, Leontios J Hadjileontiadis1,3
1Department of Biomedical Engineering and Biotechnology, Khalifa University of Science and Technology, Abu Dhabi, UAE.
Human brain mapping
|March 11, 2026
概括
VarCoNet是一个新的框架,利用大脑功能变异性从静止状态fMRI (rs-fMRI) 数据中进行强大的功能连接体 (FC) 提取. 它在对象识别和自闭症谱系障碍 (ASD) 分类方面表现出色,推进了精准医学.
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:
- 大脑功能的个体间的变化对于精准医学至关重要.
- 现有的方法通常将功能变化视为噪声,忽视其潜力.
- 从静止状态fMRI (rs-fMRI) 进行强大的功能连接体 (FC) 提取对于理解大脑功能至关重要.
研究的目的:
- 介绍VarCoNet,这是一个自我监督的框架,用于从rs-fMRI数据中提取增强的FC.
- 利用功能性个体间变异性作为编码大脑功能的有意义数据.
- 开发适用于下游任务的多功能框架,如受试者指纹和临床诊断.
主要方法:
- VarCoNet采用自主监督的对比学习,采用了新的rs-fMRI信号分割增强策略.
- 该框架将1D-CNN与变压器编码器集成在一起,用于高级时间序列分析.
- 贝叶斯超参数优化提高了模型的稳定性.
主要成果:
- 在使用人类连接体项目的数据,VarCoNet在对象指纹采集中达到高达98%的准确性.
- 对于自闭症谱系障碍 (ASD) 的分类,VarCoNet在ABIDE I和II数据集上达到了72.6%的AUC.
- 对13种深度学习方法进行了广泛的比较,证明了VarCoNet的卓越性能,稳定性和通用性.
结论:
- 在 rs-fMRI 数据中,VarCoNet 提供了一种通用且强大的 FC 分析框架.
- 该框架有效地利用功能性个体间的可变性来改进大脑功能编码.
- VarCoNet显示出在精密医学和神经系统疾病研究中应用的巨大潜力.
