基于卷积神经网络架构的静息态 fMRI 功能连接分类
机器学习
2017-07-24 v1 计算机视觉与模式识别
机器学习
摘要
机器学习技术在基于静息态 fMRI（功能磁共振成像）网络的分类领域日益普及。然而，卷积网络的应用仅在最近才被提出，且在很大程度上尚未被探索。本文描述了一种用于功能连接组分类的卷积神经网络架构，称为连接组卷积神经网络（CCNN）。我们在模拟数据集与一个用于遗忘性轻度认知障碍分类的公开数据集上的结果表明，我们的 CCNN 模型能够有效区分受试者组别。我们还表明，连接组卷积网络能够结合来自不同功能连接度量的信息，并且使用不同连接描述符组合的模型能够优于仅使用单一度量的分类器。由此灵活性可知，通过改变用于训练网络的连接描述符组合，我们提出的 CCNN 模型可以很容易地适应广泛的基于连接组的分类或回归任务。
引用
@article{arxiv.1707.06682,
title = {Resting state fMRI functional connectivity-based classification using a convolutional neural network architecture},
author = {Regina Meszlényi and Krisztian Buza and Zoltán Vidnyánszky},
journal= {arXiv preprint arXiv:1707.06682},
year = {2017}
}
备注
25 pages, 4 figures, 1 table, plus supplementary material