结合解剖与功能网络进行神经病理识别：以自闭症谱系障碍为例
图像与视频处理
2020-08-06 v2 机器学习
机器学习
摘要
尽管自闭症谱系障碍（ASD）的患病率不断上升，研究仍在继续，以期确定共同的病因和病理生理基础。在这方面，现代机器学习和网络科学为更好地理解神经病理和开发诊断辅助系统铺平了道路。本工作通过结合关于大脑结构和功能活动的知识，解决神经典型与 ASD 受试者的分类问题。特别地，我们将大脑结构建模为图，并将静息态功能磁共振成像（rs-fMRI）信号建模为存在于该图节点上的值。然后我们借鉴图信号处理（GSP）这一新兴领域的工具，构建与这些信号频率内容相关的特征。为使这些特征具有高度判别性，我们应用了 Fukunaga-Koontz 变换的一种扩展。最后，我们使用这些新标记训练决策树这一可解释的分类方案，得到最终的诊断辅助模型。有趣的是，所得决策树在公开可用的 Autism Brain Imaging Data Exchange（ABIDE）数据集上优于最先进的方法。此外，对预测标记的分析揭示了额叶和颞叶在该障碍诊断中的影响，这与神经科学文献中的先前发现一致。我们的结果表明，联合利用大脑的结构和功能信息可以揭示关于神经病理复杂性的重要信息。
引用
@article{arxiv.1904.11296,
title = {Combining Anatomical and Functional Networks for Neuropathology Identification: A Case Study on Autism Spectrum Disorder},
author = {Sarah Itani and Dorina Thanou},
journal= {arXiv preprint arXiv:1904.11296},
year = {2020}
}