43、自闭症脑图像的深度学习研究

自闭症脑图像的深度学习研究

1. 研究背景与问题提出

在对积累的大脑图像数据集进行分析时，研究旨在解决以下几个关键问题：
1. 机器学习范式在对功能磁共振成像（fMRI）连接组进行分类时的效果如何？
2. 模型在进行分类时会聚焦于大脑的哪些区域或网络？
3. 模型在分类过程中如何划分大型数据集？
4. 模型能否有效地对来自多个来源的功能连接性进行分类，而不依赖于明确的站点差异？
5. 目前关于自闭症功能连接性横断面差异的最佳证据是什么？

2. 研究方法

2.1 数据集与预处理

数据集来源广泛，包括OpenFMRI、阿尔茨海默病神经影像学倡议（ADNI）、ABIDE、ABIDE II、青少年大脑认知发展（ABCD）研究、美国国立精神卫生研究所（NIMH）数据存档库（包括研究领域标准数据库RDoCdb、国家临床试验数据库NDCT和国家自闭症研究数据库NDAR）、1000个功能连接组项目、国际脑图谱联盟数据库（ICBM）以及英国生物银行等。

数据预处理步骤如下：
1. 使用fMRI信号处理工具箱和脑小波工具箱进行预处理。
2. 利用116区域自动解剖标记（AAL）图谱进行脑区划分，定义连接组的节点。
3. 边的权重由预处理后的血氧水平依赖（BOLD）时间序列在四个时间尺度（0.1 - 0.2 Hz、0.05 - 0.1 Hz、0.03 - 0.05 Hz和0.01 - 0.03 Hz）上的小波系数相关性确定。

同时，排除存在区域数据丢失或分区阶段失败的数据集，去除不同集合中的冗余数据集。同一受试者的多个连接矩阵实例被使用，但同一受试者的数据