基于静息态 fMRI 数据的功能脑网络层次特征提取用于自闭谱系障碍识别
神经元与认知
2025-03-21 v2
摘要
自闭谱系障碍（ASD）是一种中枢神经系统的广泛发展障碍，主要在儿童时期表现为异常且反复的行为。当前诊断方法主要依赖问卷调查和行为观察，由于主观性容易导致误诊。随着医学成像技术的发展，基于 MRI 成像的诊断方法日益成为更客观的替代方案。本文提出了一种用于 ASD 识别的层次神经网络模型，称为ASD-HNet，该模型基于静息态功能磁性共振影像（rs-fMRI）数据从功能脑网络中层次提取特征。这种层次方法提高了脑表征的提取，提高了诊断准确性，并有助于识别与 ASD 相关的脑区。具体而言，在三个层次上提取特征：（1）局部感兴趣区（ROI）尺度，（2）社区尺度，（3）全局表示尺度。在 ROI 尺度上，采用图卷积来在 ROI 之间传递特征。在社区尺度上，引入功能梯度，并应用 K 均值聚类算法将功能梯度相似的 ROI 聚类到社区中。然后提取同一社区内 ROI 的特征，以刻画社区。在全局表示尺度上，从整个社区尺度的脑网络中提取全局特征，以代表整个脑。我们使用公开的数据集 Autism Brain Imaging Data Exchange I（ABIDE-I）验证了该方法的有效性。实验结果表明，ASD-HNet 优于现有方法。代码已公开于 https://github.com/LYQbyte/ASD-HNet。
引用
@article{arxiv.2412.02424,
title = {Hierarchical feature extraction on functional brain networks for autism spectrum disorder identification with resting-state fMRI data},
author = {Yiqian Luo and Qiurong Chen and Fali Li and Liang Yi and Peng Xu and Yangsong Zhang},
journal= {arXiv preprint arXiv:2412.02424},
year = {2025}
}