深度 sr-DDL：深度结构正则化动态字典学习用于整合多模态与动态功能连接组学数据以实现多维临床表征
机器学习
2024-11-26 v2 信号处理
机器学习
摘要
我们提出了一种新颖的集成框架，联合建模来自静息态功能磁共振成像（rs-fMRI）连接性与扩散张量成像（DTI）纤维束成像的互补信息，以提取可预测行为的大脑连接性生物标志物。我们的框架将连接组学数据的生成模型与预测行为评分的深度网络相耦合。生成组件是一个结构正则化动态字典学习（sr-DDL）模型，它将动态 rs-fMRI 相关矩阵分解为一组共享基网络与随时间变化的受试者特定载荷。我们利用 DTI 纤维束成像来正则化该矩阵分解，并学习解剖学知情的功能连接性轮廓。我们框架的深度组件是一个 LSTM-ANN 模块，它利用受试者特定 sr-DDL 载荷的时间演化来预测多维临床表征。我们的联合优化策略共同估计基网络、受试者特定时变载荷以及神经网络权重。我们在来自人类连接组计划（HCP）数据库的神经典型个体数据集上验证我们的框架以映射到认知，并在一项独立的多分数预测任务中对诊断为自闭症谱系障碍（ASD）的个体进行五折交叉验证。我们的混合模型在临床结果预测上优于几种最先进的方法，并学习到可解释的大脑组织多模态神经特征。
引用
@article{arxiv.2008.12410,
title = {Deep sr-DDL: Deep Structurally Regularized Dynamic Dictionary Learning to Integrate Multimodal and Dynamic Functional Connectomics data for Multidimensional Clinical Characterizations},
author = {Niharika Shimona D'Souza and Mary Beth Nebel and Deana Crocetti and Nicholas Wymbs and Joshua Robinson and Stewart H. Mostofsky and Archana Venkataraman},
journal= {arXiv preprint arXiv:2008.12410},
year = {2024}
}