医学部雷柏英教授团队在IEEE Transactions on Medical Imaging发表使用rs-fMRI进行脑疾病诊断研究成果
近日,医学部生物医学工程学院雷柏英、汪天富教授团队在IEEE Transactions on Medical Imaging(影响因子8.9)上发表题为“Knowledge-aware Multisite Adaptive Graph Transformer for Brain Disorder Diagnosis”的学术论文。宋雪刚助理教授为第一作者,雷柏英特聘教授为通讯作者。深圳大学为第一作者单位和通讯单位。
脑疾病的精准诊断对于制定有效的治疗方案至关重要,静息态功能磁共振成像 (rs-fMRI) 能够反映大脑的功能连接状态,为脑疾病诊断提供了重要的影像学依据,但是基于rs-fMRI的脑疾病诊断通常受到复杂成像特征和样本量的限制。
图卷积网络 (GCN) 通过捕获个体与群体之间的交互作用,在脑疾病诊断方面取得了显著成功。然而,现有方法存在三个主要局限性:首先,在构建图边时考虑了非成像信息,但忽略了不同特征对非成像信息的敏感性差异,导致信息利用不充分;其次,只关注建立被试(即个体和群体)之间的交互作用,而忽略了特征之间的关系,限制了模型的表达能力;最后,多中心数据增加了样本量,有助于分类器训练,但中心间的异质性在一定程度上限制了性能。
本文提出了一种基于知识感知的多中心自适应图Transformer用于脑疾病智能诊断方法,可以有效解决上述问题。首先,评估特征对每条非成像信息的敏感性,然后构建特征敏感和特征不敏感子图,实现对非成像信息的精细化利用。然后,在融合上述子图后,集成Transformer模块来捕获rs-fMRI特征之间的内在关系,提升模型对复杂关系的建模能力。最后,设计了一个使用多个损失函数项的域自适应GCN,以缓解数据异质性提升模型的跨中心泛化能力。
图1 脑疾病智能诊断流程框架图。
本研究获得国家自然科学基金和科技部重点研发计划等项目资助。
原文链接: http://doi.org/10.1109/TMI.2024.3453419
用户登录
还没有账号?
立即注册