基于深度学习和贝叶斯深度学习的多尺度脑功能连接性别预测
图像与视频处理
2020-05-19 v1 计算机视觉与模式识别
机器学习
机器学习
摘要
脑性别差异早已为人所知，并且是男性和女性之间许多心理、精神及行为差异的可能原因。从脑功能连接（FC）预测性别可以建立脑活动与性别之间的关系，而从预测模型中提取重要的性别相关FC特征为研究脑性别差异提供了一种途径。当前应用于性别预测的模型取得了良好的准确率，但通常提取的是个体功能连接而非整个连接矩阵中的连接模式作为特征。此外，当前模型往往忽略输入脑FC尺度对预测的影响，且无法给出任何模型不确定性信息。因此，本研究提出利用深度学习从多尺度脑FC预测性别，该方法可将完整FC模式提取为特征。我们进一步加深了对深度神经网络（DNN）中特征提取机制的理解，并提出了一种DNN特征排序方法，以根据各特征对预测的贡献提取高度重要的特征。此外，我们将贝叶斯深度学习应用于脑FC性别预测，其作为一个概率模型不仅能做出准确预测，还能为每个预测生成模型不确定性。实验在高质量的人类连接组计划S1200发布数据集上进行，该数据集包含1003名健康成年人的静息态功能磁共振成像数据。首先，DNN在由25、50、100、200、300个独立成分分析（ICA）分量导出的FC输入下分别达到83.0%、87.6%、92.0%、93.5%和94.1%的准确率。DNN在25-ICA分量尺度FC上优于传统机器学习方法，但随着ICA分量数量的增加，线性机器学习方法逐渐赶上……
引用
@article{arxiv.2005.08431,
title = {Deep Learning and Bayesian Deep Learning Based Gender Prediction in Multi-Scale Brain Functional Connectivity},
author = {Gengyan Zhao and Gyujoon Hwang and Cole J. Cook and Fang Liu and Mary E. Meyerand and Rasmus M. Birn},
journal= {arXiv preprint arXiv:2005.08431},
year = {2020}
}
备注
40 pages, 10 figures