基于静息态功能连接模式使用卷积神经网络预测脑龄
计算机视觉与模式识别
2018-01-15 v1
摘要
基于神经影像数据的脑龄预测有助于刻画典型脑发育与神经精神疾病。建立在从静息态功能磁共振成像(rsfMRI)数据导出的功能连接(FC)度量之上的模式识别模型已成功用于预测脑龄。然而，大多数现有研究聚焦于脑区或内在连接网络(ICN)之间的粗粒度 FC 度量，这可能牺牲 rsfMRI 数据的细粒度 FC 信息。全脑体素级 FC 度量可提供大脑的细粒度 FC 信息，并可能改善预测性能。在本研究中，我们开发了一种深度学习方法，使用卷积神经网络(CNN)从细粒度全脑 FC 度量中学习信息性特征以进行脑龄预测。在一个大型静息态 fMRI 数据集上的实验结果表明，带有细粒度 FC 度量的深度学习模型能更好地预测脑龄。
引用
@article{arxiv.1801.04013,
title = {Brain Age Prediction Based on Resting-State Functional Connectivity Patterns Using Convolutional Neural Networks},
author = {Hongming Li and Theodore D. Satterthwaite and Yong Fan},
journal= {arXiv preprint arXiv:1801.04013},
year = {2018}
}
备注
Accepted by IEEE International Symposium on Biomedical Imaging 2018 (ISBI'18)