用于理解MCI中神经退行性变的多尺度fMRI时间序列分析
计算机视觉与模式识别
2024-02-07 v1 定量方法
摘要
在这项研究中，我们提出了一种跨越多尺度视图（全局尺度——意味着脑网络级别，局部尺度——检查构成网络的每个单独ROI）的技术，应用于静息态fMRI体积。利用基于深度学习的分类来理解神经退行性变。所提出方法的新颖之处在于利用了两个极端的分析尺度。一个分支在图分析框架内考虑整个网络。同时，第二个分支独立地检查网络中的每个ROI，关注动力学的演化。对于每个受试者，基于图的方法使用偏相关将受试者描述为单个图，其中每个ROI是一个节点，提供了参与水平差异的见解。相比之下，非线性分析使用递归图将受试者描述为多通道2D图像，揭示了潜在动力学的差异。所提出的方法用于对来自ADNI数据集的50名健康对照（HC）和50名轻度认知障碍（MCI）队列进行分类。结果表明：（1）MCI中PCC等ROI的活动减少；（2）MCI中枕叶活动增加，这在HC中未见；（3）当分析动力学时，MCI中所有ROI的时间序列显示出更大的可预测性。
引用
@article{arxiv.2402.02811,
title = {Multi-scale fMRI time series analysis for understanding neurodegeneration in MCI},
author = {Ammu R. and Debanjali Bhattacharya and Ameiy Acharya and Ninad Aithal and Neelam Sinha},
journal= {arXiv preprint arXiv:2402.02811},
year = {2024}
}
备注
12 pages, 3 figures and 4 tables