深度学习中图的随机编码实现UK Biobank静息态与任务态功能脑网络的性别分类复杂分析
神经元与认知
2020-05-28 v2 机器学习
机器学习
摘要
利用卷积神经网络（CNNs）对全脑功能连接MRI数据进行分类已显示出前景，但这些模型的复杂性妨碍了理解哪些脑活动方面促成了分类。虽然已开发可视化技术来解释CNNs，但编码抽象输入数据的方法固有的偏差以及深度学习模型的自然方差降低了这些技术的准确性。我们在CNN集成中引入一种随机编码方法，按性别对功能连接组进行分类。我们将该方法应用于UK BioBank的静息态和任务态数据，使用两种可视化技术来衡量任务态和静息态中涉及的三个脑网络及其相互作用的显著性。为回归头动、年龄和颅内体积等混杂因素，我们引入了多元平衡算法，以确保数据中各类别间这些协变量的均匀分布。我们取得了0.8459的最终AUROC。我们发现静息态数据比任务态数据分类更准确，其中默认模式显著性网络在三个网络中对静息态数据分类总体作用最重要，而在任务态数据中与中央执行网络的连接最重要。
引用
@article{arxiv.2002.10936,
title = {Stochastic encoding of graphs in deep learning allows for complex analysis of gender classification in resting-state and task functional brain networks from the UK Biobank},
author = {Matthew Leming and John Suckling},
journal= {arXiv preprint arXiv:2002.10936},
year = {2020}
}