机构名称：
¥ 1.0
摘要 先前的深度学习方法尚未捕获大脑结构或功能连接组数据的图形或网络表示。为了解决这个问题，我们通过将 BrainNetCNN 和全局协方差池化纳入自注意力机制，开发了 BrainNet-全局协方差池化-注意力卷积神经网络 (BrainNet-GA CNN)。从 171 名精神分裂症谱系障碍 (SSD) 患者和 161 名健康对照者 (HC) 获得了静息态功能磁共振成像数据。我们对提出的 BrainNet-GA CNN 进行了消融分析，并使用嵌套十倍交叉验证策略与竞争方法进行了定量性能比较。将我们的模型的性能与竞争方法进行了比较。使用基于梯度的解释方法可视化判别连接，并与使用功能连接分析获得的结果进行比较。BrainNet-GA CNN 的准确率为 83.13%，优于其他竞争方法。在前 10 个判别连接中，一些与默认模式网络和听觉网络有关。有趣的是，这些区域在功能连接分析中也很重要。我们的研究结果表明，提出的 BrainNet-GA CNN 可以比其他模型更准确地对 SSD 和 HC 患者进行分类。显着区域的可视化提供了重要的临床信息。这些结果突出了 BrainNet-GA CNN 在精神分裂症诊断中的潜在用途。关键词：脑网络、功能连接组、卷积神经网络、全局协方差池、自我注意机制、精神分裂症
利用功能连接组数据诊断精神分裂症
主要关键词
相关文件推荐
