XiaoMi-AI文件搜索系统
World File Search SystemABIDE
使用 3D 卷积神经网络评估 fMRI 数据中增强方法对自闭症谱系障碍进行分类的效果
摘要：在过去的 10 年中，使用神经影像数据将受试者分类为健康或患病引起了广泛关注，最近，人们使用了不同的深度学习方法。尽管如此，还没有任何研究关于 3D 增强如何帮助创建更大的数据集，而这需要训练具有数百万个参数的深度网络。在本研究中，深度学习被应用于静息状态功能 MRI 数据的导数，以研究不同的 3D 增强技术如何影响测试准确性。具体来说，ABIDE（自闭症脑成像数据交换）预处理中的 1112 名受试者的静息状态导数被用于训练 3D 卷积神经网络 (CNN)，以根据自闭症谱系障碍的存在与否对每个受试者进行分类。结果表明，增强只能为测试准确性提供微小的改进。
AAT-2023.pdf
姓名：__________________________________ 学号：________________________________ JEE (ADVANCED) 2023 排名：_______________ 类别：_____________________________ 类别排名（如适用）：__________________________________ 考试中心：__________________________________ 我已阅读所有说明并将遵守 考生签名 __________________________________ 监考人员在核实身份和其他详细信息后签名
脑成像预测中未追踪多样性的代价
脑成像研究越来越多地采用监督机器学习对单一受试者疾病进行分类。然而，这些算法的成功可能取决于人口多样性，包括人口统计学差异和其他可能超出主要科学兴趣的因素。在这里，我们利用倾向得分作为综合混杂指数来量化由于主要人口分层来源而导致的多样性。我们描述了人口异质性对两个独立临床队列的预测准确性和模式稳定性的影响：自闭症脑成像数据交换 (ABIDE，n=297) 和健康脑网络 (HBN，n=551)。在各种分析场景中，我们的结果揭示了交叉验证预测性能与多样性相互关联的程度。由于多样性而导致的提取脑模式的不稳定性优先位于默认模式网络中。我们的集体研究结果强调了现行的去混杂实践在减轻人口多样性的全部后果方面的局限性。
请求支持/访问表格 - 陆军驻地
电子邮件：usarmy.hunterliggett.imcom-central.list.fhl- pao@mail.mil 在下面签名，请求组织及其代表均理解并同意遵守以下条件：1. 填写此表格并不代表批准请求。2. 军事人员的授权参与仅限于旨在刺激
SHS COVID 疫苗豁免表
⬜ 我理解，如果我没有完全接种 COVID-19 疫苗，则在进入纽约州立大学设施时我需要遵守所有与 COVID-19 相关的健康和安全限制，包括但不限于使用口罩、保持身体距离、参加每周监测检测以及必要时隔离。
![arxiv：2501.16346v1 [cs.lg] 2025年1月18日](/simg/1\10c0964b0368b2f7aecdd616acbf1ae8f0dbaacb.webp)
arxiv：2501.16346v1 [cs.lg] 2025年1月18日
抽象功能磁共振成像（fMRI）在任务或休息期间对大脑功能提供了有用的见解。使用相关矩阵代表fMRI数据是分析静止状态和活动状态中大脑固有连接性的一种可靠方法。图形神经网络（GNN）由于其固有的解释能力而被广泛用于大脑网络分析。在这项工作中，我们使用对比度自我监督的学习图变压器引入了一个新颖的框架，并将大脑网络变压器编码器与随机图更改结合在一起。所提出的网络利用对比度学习和图形变化，以有效地训练图形变压器以进行自闭症检测。我们的方法对自闭症脑成像数据交换（ABIDE）数据进行了测试，证明了自闭症检测，其AUROC为82。6和74％的精度超过了当前的最新方法。