功能连接组指纹识别：通过深度学习识别个体并预测认知功能
神经元与认知
2020-06-18 v1 图像与视频处理
摘要
功能网络连接组的动态特性已被广泛认可和研究。连接组中既存在共享信息也存在独特信息。然而，关于这种共同模式是否及如何能够预测大脑的个体变异性，即试图从一组被试中可靠地识别特定个体的“大脑指纹识别”，人们知之甚少。本文中，我们提出基于自动编码器网络来增强个体的独特性。更具体地，我们依赖于如下假设：跨个体共享的共同神经活动可能会削弱个体区分度。通过降低共享活动的贡献，可以增强被试间变异性。结果表明，利用带有稀疏字典学习的自动编码器所精炼的连接组能够以相当高的准确率(静息-静息配对最高达 99.5%)从其余参与者中成功区分出某一个体。此外，利用精炼的功能连接剖面，也可以更好地预测高级认知行为(例如流体智力、执行功能和语言理解)。正如预期，高阶联合皮层对个体区分和行为预测的贡献更大。所提出的方法提供了一种有前景的途径来增强并利用脑网络的个体化特征。
引用
@article{arxiv.2006.09928,
title = {Functional connectome fingerprinting: Identifying individuals and predicting cognitive function via deep learning},
author = {Biao Cai and Gemeng Zhang and Aiying Zhang and Li Xiao and Wenxing Hu and Julia M. Stephen and Tony W. Wilson and Vince D. Calhoun and Yu-Ping Wang},
journal= {arXiv preprint arXiv:2006.09928},
year = {2020}
}