用于静息态 fMRI 分析的时空图卷积
机器学习
2021-06-30 v3 机器学习
摘要
静息态 fMRI（rs-fMRI）的血氧水平依赖（BOLD）信号记录了大脑内禀功能网络的时间动态。然而，现有的应用于 rs-fMRI 的深度学习方法要么忽略了网络中不同脑区之间的功能依赖，要么丢弃了脑活动的时间动态信息。为克服这些缺陷，我们提出在时空图的语境下构建功能连接网络。我们在 BOLD 时间序列的短子序列上训练时空图卷积网络（ST-GCN），以建模功能连接的非平稳特性。同时，该模型在 ST-GCN 内部学习图边的重要性，从而洞察对预测有贡献的功能连接。在分析人类连接组计划（HCP，N=1,091）和青少年酒精与神经发育国家联盟（NCANDA，N=773）的 rs-fMRI 时，ST-GCN 在基于 BOLD 信号预测性别和年龄方面显著优于常用方法。此外，根据神经科学文献，对我们模型预测有显著贡献的脑区与功能连接是重要的标志物。
引用
@article{arxiv.2003.10613,
title = {Spatio-Temporal Graph Convolution for Resting-State fMRI Analysis},
author = {Soham Gadgil and Qingyu Zhao and Adolf Pfefferbaum and Edith V. Sullivan and Ehsan Adeli and Kilian M. Pohl},
journal= {arXiv preprint arXiv:2003.10613},
year = {2021}
}