自适应功能连接网络学习及其在脑疾病识别中的应用

摘要

近年来,基于磁共振影像的功能连接网络为脑疾病(如阿尔茨海默症和自闭症)的早期诊断提供了一种重要手段.然而,由于测试者的呼吸、心跳等生理因素的干扰,加之扫描过程中产生的轻微头动,导致获取的数据不可避免地包含结构噪声,这给功能连接网络构建带来很大挑战.尽管传统的数据预处理方法能在一定程度上提高数据质量,但其仅作用于原始数据空间,且数据预处理与功能连接网络构建独立进行,人为割裂了两者之间存在的内部关联.研究表明,特定变换域的数据可能拥有较低的噪声并富含更多的信息.受此启发,本文提出了一种变换域的自适应功能连接网络学习模型,使得同时提高数据质量与构建功能连接网络成为可能.为了验证所提方法的有效性,本文基于构建的功能连接网络在两个公开的数据集(ADNI和ABIDE)上分别进行轻度认知障碍与自闭症的识别实验.结果表明,提出的方法相比于传统方法在多个性能度量指标下均有显著性提高.