利用循环神经网络从功能MRI识别功能状态的时序转换
计算机视觉与模式识别
2018-09-18 v1 神经元与认知
摘要
动态功能连接分析为理解不同认知过程背后的脑功能活动提供了有价值的信息。除了基于滑动窗口的方法外，还开发了多种方法，通过检测功能信号的变化点将整个功能MRI扫描自动分割为若干段，以更好地刻画时间动态功能连接模式。然而，这些方法基于针对功能信号的某些假设（如高斯分布），这些假设不一定适用于fMRI数据。在本研究中，我们利用循环神经网络（RNNs）在序列建模方面的最新进展，开发了一种基于深度学习的框架，以数据驱动的方式自适应地检测时间动态功能状态转换，而无需任何显式建模假设。特别地，我们在异常检测框架中解决该问题，假设在稳定功能状态下，单个时间点的功能轮廓可基于其先前轮廓可靠预测，而在功能状态变化点附近会出现较大预测误差。我们使用从人类连接组计划（human connectome project）获得的任务和静息态fMRI数据评估所提出的方法，实验结果表明，所提出的变化点检测方法能有效识别不同任务事件之间的变化点，并将静息态fMRI分割为具有不同功能连接模式的段。
引用
@article{arxiv.1809.05560,
title = {Identification of temporal transition of functional states using recurrent neural networks from functional MRI},
author = {Hongming Li and Yong Fan},
journal= {arXiv preprint arXiv:1809.05560},
year = {2018}
}
备注
Accepted by MICCAI 2018