《fMRI多體素模式分析的機器學習方法及套用》是依託中國人民解放軍國防科技大學，由沈輝擔任項目負責人的青年科學基金項目。
基本介紹
- 中文名：fMRI多體素模式分析的機器學習方法及套用
- 項目類別：青年科學基金項目
- 項目負責人：沈輝
- 依託單位：中國人民解放軍國防科技大學
中文摘要,結題摘要,
中文摘要
採用張量等多路數據描述方法建模fMRI時空數據，研究全腦fMRI多體素模式表示方法; 利用流形學習、張量子空間學習等機器學習方法研究高維時空數據的特徵提取和維數約簡算法，研究適用於小樣本條件下fMRI多體素模式分類的新算法;結合fMRI成像特點，研究無監督學習算法和噪聲數據的流形學習方法；發展並完善基於機器學習的fMRI多體素模式分類的理論框架。將方法學研究成果套用於視覺目標識別fMRI認知實驗的視皮層活動模式分析，採用多體素模式分析方法計算初級/次級視皮層(V1/V2區)及更高級視皮層(如IT區)的神經信號回響模式，探索高級視皮層腦區在目標識別及形狀目標不變性信息處理中的神經編碼方式。項目預期成果將在複雜或未知fMRI模式檢測領域提出新的有效算法，並在視覺目標的神經編碼研究方面取得新的進展。
結題摘要
該項目主要研究多體素模式分類方法及其在功能磁共振影像分析中的套用。在方法學研究方面， 研究了一種靜息功能磁共振影像的無監督學習方法，該方法能在無臨床行為診斷數據條件下實現抑鬱症患者的有效鑑別。我們也引入整腦功能連線的低維嵌入方法，對健康人群大腦的發育變化進行解碼。採用的流形學習方法能夠從靜息功能磁共振數據中抽取充分的信息，成功用於個體水平的腦發育預測。同樣地，我們使用稀疏編碼方法分析健康人群腦結構的年齡改變，發現感覺運動和認知相關腦區存在共變的年齡結構改變模式。我們研究了抑鬱症和精神分類症等精神類疾病的全腦功能和結構異常模式，為這些疾病的臨床診斷提供潛在的有效生物學標記。另外，對精神分裂症患者及其同胞的靜息連線模式分類研究表明，相對正常對照人群，患者的正常同胞也存在異常的靜息功能連線，暗示患者的健康同胞相對正常人群具有更高的患病風險。此外，採用機器學習方法對嚴重抑鬱症患者的全腦解剖連線異常模式進行分析，發現異常的皮層-邊緣解剖網路異常可能是此類疾病情感失調和認知損傷的解剖基礎。最後，採用線性分類器研究腦結構和靜息功能的性別差異。我們發現在部分語言和視覺空間處理相關腦區，其灰質密度和區域一致性指標間存在著顯著的正相關，這些發現強調了性別因素在健康個體間可變性中的重要性。項目成果證實多體素模式識別方法在功能和結構腦連線模式分析，尤其是精神類疾病的生理和病理研究中的有效性。截至目前，在Brain、NeuroImage、Human Brain Mapping等國際高影響因子期刊發表(錄用)SCI論文11篇。
