利用深度 3D 卷积神经网络从自发 fMRI 解释人类胎儿大脑的年龄效应
图像与视频处理
2019-06-11 v1 机器学习
机器学习
摘要
理解人类胎儿神经发育具有重要的临床意义，因为发育异常与出生后不良的神经精神结局相关。功能磁共振成像（fMRI）的最新进展为出生前人类大脑发育提供了新见解，但这些研究主要聚焦于脑功能连接（即 Fisher z-score），而后者需要从 fMRI 图像中手动处理步骤来提取特征。深度学习方法（即卷积神经网络）已直接从图像数据学习方面取得显著成功，但尚未应用于胎儿 fMRI 以理解胎儿神经发育。在此，我们填补这一空白，将深度 3D CNN 的新颖应用用于胎儿血氧水平依赖（BOLD）静息态 fMRI 数据。具体而言，我们测试了一个有监督 CNN 框架作为数据驱动方法，以分离与较年轻 vs. 较年长胎儿年龄组相关的 fMRI 信号变异。基于学习到的 CNN，我们进一步进行敏感性分析以识别 BOLD 信号变化与胎儿脑龄强烈相关的脑区。研究结果表明，深度 CNN 是识别区分年龄组的胎儿大脑活动自发功能模式的一种有前景的方法。此外，我们发现最强烈区分组的区域大多是双侧的，在年长和年轻年龄组中具有相似分布，并且是人类早期发育中代谢活动增强的区域。
引用
@article{arxiv.1906.03691,
title = {Interpreting Age Effects of Human Fetal Brain from Spontaneous fMRI using Deep 3D Convolutional Neural Networks},
author = {Xiangrui Li and Jasmine Hect and Moriah Thomason and Dongxiao Zhu},
journal= {arXiv preprint arXiv:1906.03691},
year = {2019}
}
备注
9 pages