利用功能连接的远程时空动态改进表型预测
神经元与认知
2021-09-08 v1 计算机视觉与模式识别
机器学习
图像与视频处理
摘要
功能脑连接(FC)的研究对于理解许多精神障碍的潜在机制非常重要。许多近期分析采用图卷积网络来研究功能相关状态之间的非线性相互作用。然而，尽管大脑激活模式已知在空间和时间上呈层级组织，许多方法未能提取强大的时空特征。为了克服这些挑战并增进对远程功能动态的理解，我们借鉴了基于骨架的动作识别领域中一种旨在建模跨空间与时间交互的方法。我们使用人类连接组计划(HCP)数据集在性别分类和流体智力预测上评估了该方法。为考虑受试者功能组织的地形变异性，我们使用多分辨率双回归(受试者特定)ICA节点对功能连接组进行建模。结果显示性别分类预测准确率为94.4%(比其他方法提高6.2%)，与流体智力的相关性为0.325对比0.144，相对于分别编码空间和时间的基线模型有所改进。结果表明，显式编码脑功能活动的时空动态可能会提高未来行为和认知表型预测的准确性。
引用
@article{arxiv.2109.03115,
title = {Improving Phenotype Prediction using Long-Range Spatio-Temporal Dynamics of Functional Connectivity},
author = {Simon Dahan and Logan Z. J. Williams and Daniel Rueckert and Emma C. Robinson},
journal= {arXiv preprint arXiv:2109.03115},
year = {2021}
}
备注
MLCN 2021