Temporal Dynamic Synchronous Functional Brain Network for Schizophrenia Diagnosis and Lateralization Analysis

要約

タイトル：統合失調症の診断と側脳化分析のための時間的動的同期的機能的脳ネットワーク

要約：

– 動的機能的連結性（dFC）は、安静状態時の脳機能磁気共鳴画像（rs-fMRI）データにおける脳活動の時間変動の異常を捉えることができ、統合失調症（SZ）患者の異常な脳活動のメカニズムを明らかにするために自然な利点がある。
– この研究では、時間脳カテゴリグラフ畳み込みネットワーク（Temporal-BCGCN）という高度な動的脳ネットワーク分析モデルを使用した。まず、動的同期特徴を構築するためのユニークな動的脳ネットワーク分析モジュールであるDSF-BrainNetが設計された。次に、特徴の同期的な時間的特性に基づく革新的なグラフ畳み込み法であるTemporalConvが提案された。最後に、rs-fMRIデータに基づく深層学習に基づく最初の側脳化異常半球化テストツールであるCategoryPoolが提案された。
– この研究は、COBREおよびUCLAデータセットで検証され、それぞれ83.62％および89.71％の平均正解率を達成し、基準モデルおよび他の最先端の方法を凌駕した。また、心理学的実験の結果から、TemporalConvは既存の辺特徴グラフ畳み込み手法よりも優れていることが示され、CategoryPoolは古典的なグラフプーリング手法よりも改善されていることが明らかになった。
– 興味深いことに、この研究は、左半球の下位知覚システムと上位ネットワーク領域が右半球よりもSZでより重度に機能不全であることを示し、SZにおける左側の前頭野の重要性を再確認した。

要約(オリジナル)

The available evidence suggests that dynamic functional connectivity (dFC) can capture time-varying abnormalities in brain activity in resting-state cerebral functional magnetic resonance imaging (rs-fMRI) data and has a natural advantage in uncovering mechanisms of abnormal brain activity in schizophrenia(SZ) patients. Hence, an advanced dynamic brain network analysis model called the temporal brain category graph convolutional network (Temporal-BCGCN) was employed. Firstly, a unique dynamic brain network analysis module, DSF-BrainNet, was designed to construct dynamic synchronization features. Subsequently, a revolutionary graph convolution method, TemporalConv, was proposed, based on the synchronous temporal properties of feature. Finally, the first modular abnormal hemispherical lateralization test tool in deep learning based on rs-fMRI data, named CategoryPool, was proposed. This study was validated on COBRE and UCLA datasets and achieved 83.62% and 89.71% average accuracies, respectively, outperforming the baseline model and other state-of-the-art methods. The ablation results also demonstrate the advantages of TemporalConv over the traditional edge feature graph convolution approach and the improvement of CategoryPool over the classical graph pooling approach. Interestingly, this study showed that the lower order perceptual system and higher order network regions in the left hemisphere are more severely dysfunctional than in the right hemisphere in SZ and reaffirms the importance of the left medial superior frontal gyrus in SZ. Our core code is available at: https://github.com/swfen/Temporal-BCGCN.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI