Addictive brain-network identification by spatial attention recurrent network with feature selection.
Addictive brain-network identification by spatial attention recurrent network with feature selection.
复制标题
通过具有特征选择的空间注意循环网络进行成瘾脑网络识别
DOI：
10.1186/s40708-022-00182-4
复制
发表时间：
2023-01-10
影响因子：
--
通讯作者：
中科院分区：
文献类型：
--
作者：
大脑中的成瘾与适应性变化有关，这些变化重塑了与成瘾相关的大脑区域，并导致导致一系列行为改变的功能异常，功能磁共振成像（fMRI）研究可以揭示大脑功能变化的复杂动态模式。然而，在尼古丁成瘾（NA）组和健康对照组（HC）组之间识别功能性脑网络和发现区域水平的生物标志物仍然是一个挑战。为了解决这一问题，我们将大鼠脑的fMRI转换为具有生物学属性的网络，并提出了一种新的特征选择框架来提取和选择成瘾脑区域的特征，并识别这些图级网络。在这个框架中，空间注意循环网络（SARN）被设计用来捕获具有空间和时间序列信息的特征。采用贝叶斯特征选择（BFS）策略对模型进行优化，通过限制特征来改进分类任务。我们在成瘾脑成像数据集上的实验获得了卓越的识别性能和与成瘾相关脑区域相关的可解释生物标志物。
Addiction in the brain is associated with adaptive changes that reshape addiction-related brain regions and lead to functional abnormalities that cause a range of behavioral changes, and functional magnetic resonance imaging (fMRI) studies can reveal complex dynamic patterns of brain functional change. However, it is still a challenge to identify functional brain networks and discover region-level biomarkers between nicotine addiction (NA) and healthy control (HC) groups. To tackle it, we transform the fMRI of the rat brain into a network with biological attributes and propose a novel feature-selected framework to extract and select the features of addictive brain regions and identify these graph-level networks. In this framework, spatial attention recurrent network (SARN) is designed to capture the features with spatial and time-sequential information. And the Bayesian feature selection(BFS) strategy is adopted to optimize the model and improve classification tasks by restricting features. Our experiments on the addiction brain imaging dataset obtain superior identification performance and interpretable biomarkers associated with addiction-relevant brain regions.
登录
查看更多内容
使用脑成像来阐明可卡因成瘾的神经回路变化。
影响因子：
1.8
作者：
Hanlon CA;Canterberry M
通讯作者：
Canterberry M
影响因子：
4.7
作者：
Peters L;De Smedt B
通讯作者：
De Smedt B
影响因子：
3.7
作者：
Allen, Elena A.;Damaraju, Eswar;Calhoun, Vince D.
通讯作者：
Calhoun, Vince D.
影响因子：
3.5
作者：
Valdés-Hernández PA;Sumiyoshi A;Nonaka H;Haga R;Aubert-Vásquez E;Ogawa T;Iturria-Medina Y;Riera JJ;Kawashima R
通讯作者：
Kawashima R
影响因子：
2.9
作者：
Ghasemzadeh, Zahra;Sardari, Maryam;Rezayof, Ameneh
通讯作者：
Rezayof, Ameneh