fMRI 脑网络的深度标注
机器学习
2023-05-09 v1 神经元与认知
摘要
从静息态功能磁共振成像(RS-fMRI)中提取的脑静息态网络(RSNs)被用于术前规划以指导神经外科医生。然而这很困难,因为标注每个 RSN 需要专家知识。临床工作流中缺乏高效且标准化的方法。此外,这些方法需要具备泛化能力,因为无论采集技术如何,方法都需良好工作。我们提出了一种准确、快速且轻量级的深度学习方法来标注 RSN。使用组独立成分分析(ICA)在队列中提取大规模功能连接模式,并使用双回归将其反投影到个体受试者的 RSN 上。我们将基于多层感知机(MLP)的方法与 2D 和 3D 卷积神经网络(CNNs)进行比较,发现 MLP 更快且更准确。尽管 MLP 规模紧凑,其表现与其他工作相当或更好。我们通过表明 MLP 在留出数据集上达到 100% 准确率、在其他三个中心的 fMRI 采集上达到 98.3% 准确率,证明了我们方法的泛化能力。
引用
@article{arxiv.2305.03814,
title = {Deep Labeling of fMRI Brain Networks},
author = {Ammar Ahmed Pallikonda Latheef and Sejal Ghate and Zhipeng Hui and Alberto Santamaria-Pang and Ivan Tarapov and Haris I Sair and Craig K Jones},
journal= {arXiv preprint arXiv:2305.03814},
year = {2023}
}
备注
24 pages, 10 figures, 1 table