提升功能磁共振成像功能与有效连接可重复性和可靠性的新型机器学习方法
神经元与认知
2023-08-28 v2 定量方法
摘要
目的：需要新的人脑连接性测度来解决现有测度的不足，促进对大脑功能、认知能力的研究，并识别人类疾病的早期标志物。功能磁共振成像中测量成对脑区功能连接的传统方法（如相关和偏相关）无法捕捉区域关联中的非线性特征。我们提出了一种新的基于机器学习的功能连接测度，能够高效捕捉线性和非线性特征。方法：我们提出了两种新的有效连接测度。第一种是基于机器学习的有效连接测度，用于测量全脑的非线性特征。第二种是结构投影 Granger 因果性，它改编自 Granger 因果连接，以高效表征和正则化全脑有效连接组，使其遵循潜在的生物结构连接。为了证明这些测度的内部效度，我们将所提测度与传统测度在可重复性和预测个体特征能力方面进行了比较。我们使用了来自 Human Connectome Project 的同一受试者的四次重复扫描，并测量了这些测度预测个体受试者生理和认知特征的能力。主要结果：所提出的 ML.FC 功能连接测度获得了 0.44 的 R 平方值，具有高可重复性；而所提出的 SP.GC 有效连接测度获得了 0.66 的 R 平方值，具有最高的预测能力。意义：所提出的方法非常适合实现高可重复性和预测性。
关键词
引用
@article{arxiv.2201.13378,
title = {Novel Machine Learning Approaches for Improving the Reproducibility and Reliability of Functional and Effective Connectivity from Functional MRI},
author = {Cooper J. Mellema and Albert Montillo},
journal= {arXiv preprint arXiv:2201.13378},
year = {2023}
}
备注
23 pages, 5 figures, 3 algorithms, 2 equations, 3 tables, 5 pages supplemental