2021-01-12 文献翻译

Deep Spatial-Temporal Feature Fusion From Adaptive Dynamic Functional Connectivity for MCI Identification翻译

题目

基于自适应动态功能连接的深度时空特征融合识别轻度认知功能障碍

摘要

使用静息态功能磁共振成像的动态功能连接性分析是目前在脑部疾病识别中捕捉神经活动动态变化的先进技术。大多数现有的动态功能连接性建模方法都是利用基于滑动窗口的相关性来提取动态交互信息，其性能对窗口参数非常敏感。因为很少有研究能令人信服地确定窗口参数的最佳组合，所以基于滑动窗口的相关性可能不是捕捉大脑活动时间变异性的最佳方法。在本文中，我们提出了一种新的自适应动态功能连接性模型，借助于深度时空特征融合方法，用于轻度认知障碍的识别。具体来说，我们采用自适应超加权套索递归最小二乘算法来估计自适应动态功能连接性，有效地缓解了参数优化问题。然后，我们从自适应dFC中提取时间和空间特征。为了生成更粗糙的多领域表示用于后续分类，通过深度特征融合方法将时空特征进一步映射为综合融合特征。实验结果表明，该方法的分类准确率达到87.7%，比现有方法至少提高了5.5%。这些结果阐明了所提出的轻度认知障碍分类方法的优越性，表明其在早期识别脑异常中的有效性。

关键字

自适应动态功能连接；计算机辅助分析；深层特征融合；机器学习；时空特征

1.介绍

  阿尔兹海默病（AD）是一种慢性神经退行性疾病。其特征是包括在疾病发展过程中的语言问题、定向障碍和行为问题在内的症状。据报道，随着年龄的增长，阿尔兹海默病的发病率呈指数增长。然而，AD的病因和机制仍未揭开。因此，迫切需要在早期预测AD，以便可以应用适当的药物治疗和行为干预来延缓其进展。轻度认知障碍&#x