元模态信息流：一种用于捕捉精神分裂症多模态模块断开的方法
机器学习
2020-01-07 v1 图像与视频处理
机器学习
摘要
目的：对同一现象的多种模态测量提供互补信息并突出不同视角，尽管各自存在局限性。聚焦于单一模态可能导致错误的推断，当所研究现象为疾病时这一点尤为重要。本文提出一种利用多模态数据来检验精神分裂症(SZ)中断开与功能障碍假设的方法。方法：我们首先使用高斯图模型(GGM)估计并可视化提取的多模态数据特征内部及之间的连接。随后提出一种基于模块度的方法，可应用于GGM以识别跨多模态数据集中与精神疾病相关的连接。通过模拟和真实数据，我们表明该方法揭示了与疾病相关网络中断的重要信息，而这些信息在仅关注单一模态时会被遗漏。我们使用功能MRI(fMRI)、扩散MRI(dMRI)和结构MRI(sMRI)计算低频涨落分数振幅(fALFF)、分数各向异性(FA)和灰质(GM)浓度图。使用我们的模块度方法分析这三种模态。结果：我们的结果显示了仅由跨模态信息捕捉到的缺失连接，这些连接可能在各组分间的断开中发挥重要作用。结论：我们在SZ患者默认模式网络区域识别出多模态(fALFF、FA和GM)断开，这是单一模态无法检测到的。意义：所提方法为捕捉分布于多个成像模态间的信息提供了重要的新工具。
引用
@article{arxiv.2001.01707,
title = {Meta-modal Information Flow: A Method for Capturing Multimodal Modular Disconnectivity in Schizophrenia},
author = {Haleh Falakshahi and Victor M. Vergara and Jingyu Liu and Daniel H. Mathalon and Judith M. Ford and James Voyvodic and Bryon A. Mueller and Aysenil Belger and Sarah McEwen and Steven G. Potkin and Adrian Preda and Hooman Rokham and Jing Sui and Jessica A. Turner and Sergey Plis and Vince D. Calhoun},
journal= {arXiv preprint arXiv:2001.01707},
year = {2020}
}