带有深度CCA限制的参考关系引导的自动编码器用于清醒-睡眠脑功能连接组预测( Reference-Relation Guided Autoencoder with Deep CCA Restriction for Awake-to-Sleep Brain Functional Connectome Prediction )

Hu, Dan Yin, Weiyan Wu, Zhengwang Chen, Liangjun Wang, Li Lin, Weili Li, Gang

在相同的条件下，早期发育儿童的静息状态fMRI难以获得，这导致了一个专用的协议，即分别在睡眠时扫描年幼的婴儿和清醒时扫描年长的儿童。然而，睡眠和清醒状态下明显不同的大脑活动引起了清醒-睡眠连接体预测/翻译的新挑战，尽管它在纵向一致地描述大脑功能发展方面具有重要意义，但仍未被探索。由于数据的稀缺性和自然图像与几何数据（如大脑连接体）之间的巨大差异，现有的图像翻译方法通常无法预测从清醒到睡眠的功能性连接体。为了填补这一关键空白，我们史无前例地提出了一种新的参考关系引导的深度CCA约束自动编码器(R2 AE-dCCA)，用于清醒到睡眠连接体预测。具体而言，1)提出了参考自动编码器(RAE)来实现从源域到目标域的引导生成。因此，有限的配对数据通过包括所有年龄限制的邻近受试者的组合作为参考而大大增加，同时目标特定的模式被充分学习；2）设计了一个关系网络，并将其嵌入到RAE中，利用源域中的相似度来确定参考的可信度；3）为了保证源域的学习关系能够有效地指导目标域的生成，进一步使用深度CCA约束来保持翻译过程中的邻域关系；4）提出了新的连接体预测的验证度量，实验结果表明，与现有方法相比，我们提出的R2 AE-dCCA具有更好的预测精度，并且很好地保持了脑功能连接体的模块化结构。

SciDown文献求助系统（解决99%问题） Public Download Springer