通过深度特征学习识别的自闭症谱系障碍功能连接模式
计算机视觉与模式识别
2017-07-26 v1 神经元与认知
摘要
自闭症谱系障碍（ASD）被认为是一种整体神经元网络受损的脑疾病。尽管功能磁共振成像（fMRI）研究已揭示 ASD 中存在异常的功能连接，但关于受损模式尚未达成共识。在此，一种基于深度学习的特征提取方法识别出 ASD 的多元非线性功能连接模式。使用了来自自闭症脑成像数据交换库的 972 名受试者（465 名 ASD，507 名正常对照）的静息态 fMRI 数据。利用 90 个预定义的脑区生成每个受试者的功能连接矩阵。作为一种无需受试者诊断等先验知识的数据驱动特征提取方法，变分自编码器（VAE）将功能连接矩阵总结为 2 个特征。将这些特征值在 ASD 患者与对照组之间进行统计比较。一个特征在 ASD 与正常对照之间存在显著差异。提取的特征通过基于 VAE 的生成器进行可视化，该生成器可以产生虚拟的功能连接矩阵。与 ASD 相关的特征与额顶连接、背内侧额叶皮层的相互连接以及皮质纹状体连接有关。它还显示出与全量表智商呈负相关的趋势。基于深度学习的数据驱动特征提取能够识别 ASD 功能连接的复杂模式。这种方法将有助于发现各种脑疾病中脑连接异常的复杂模式。
引用
@article{arxiv.1707.07932,
title = {Functional connectivity patterns of autism spectrum disorder identified by deep feature learning},
author = {Hongyoon Choi},
journal= {arXiv preprint arXiv:1707.07932},
year = {2017}
}
备注
7 pages