Ada-FCN: 基于自适应频率耦合网络的fMRI脑障碍分类
机器学习
2025-11-18 v2 人工智能
计算机视觉与模式识别
摘要
静息态fMRI已成为分类脑障碍和构建脑功能连接网络的有价值工具，通过追踪BOLD信号在脑区之间的变化。然而，现有方法大多忽视了神经振荡的多频率特性，将BOLD信号视为单一时间序列。这忽略了神经障碍常在特定频率带中呈现异常的关键事实，限制了诊断灵敏度和特异性。虽然一些方法试图纳入频率信息，但往往依赖于预定义的频率带，这可能无法最佳捕捉个体可变性或疾病特有的改变。为此，我们提出一种新框架，采用自适应级联分解来学习每个脑区的任务相关频率子带，并通过频率耦合连接学习来捕捉 intra-和细微的跨频带相互作用于统一的功能网络。该统一网络指导我们在Unified-GCN中的新型消息传递机制，生成用于诊断预测的精细化节点表示。在ADNI和ABIDE数据集上的实验结果表明，性能优于现有方法。代码可在https://github.com/XXYY20221234/Ada-FCN上获得。
引用
@article{arxiv.2511.04718,
title = {Ada-FCN: Adaptive Frequency-Coupled Network for fMRI-Based Brain Disorder Classification},
author = {Yue Xun and Jiaxing Xu and Wenbo Gao and Chen Yang and Shujun Wang},
journal= {arXiv preprint arXiv:2511.04718},
year = {2025}
}
备注
MICCAI2025