机构名称：
¥ 2.0
摘要。了解哪些大脑区域与特定的1个神经系统疾病或认知刺激有关，一直是神经成像研究的重要领域。我们提出了Braingnn，这是一个图神经网络-3工作（GNN）框架，以分析功能磁共振图像4（fMRI）并发现神经生物标志物。考虑到大脑图的特殊5属性，我们设计了新型的Roi Awaw Agraw consolu-6 Tional（RA-GCONV）层，以利用fMRI的拓扑和功能7信息。是在需要透明度的透明度分析中的动机中，我们的braingnn包含ROI选择的池池9 ers（R-Pool），突出了显着的ROI（图中的节点），因此10我们可以推断出哪个ROI对预测很重要。此外，我们11提出正则化项 - 单位损失，TOPK PORING（TPK）损失和12个组级别的一致性（GLC）损失 - 通过汇总结果，以鼓励13个可追溯的ROI selection，并提供完全14个个人或与小组级别数据一致的单个个人或模式。我们将15个BRAINGNN框架应用于两个独立的fMRI数据集：自闭症16频谱障碍（ASD）fMRI数据集和人类Con-17 Nectome Project（HCP）900主题释放的数据。我们研究了超参数的18种选择，并表明Braingnn优于19的替代fMRI图像分析方法，该方法在四个不同的20个ENT评估指标方面。获得的社区聚类和显着的21 ROI检测结果表明，与先前的22个神经影像学衍生的ASD和特定任务的生物标志物的证据相应很高。23为HCP解码的状态。25接受后，我们将公开公开24。
fMRI分析的可解释的脑形神经网络
主要关键词
相关文件推荐
