Efficient 4D fMRI ASD Classification using Spatial-Temporal-Omics-based Learning Framework
作者: Ziqiao Weng, Weidong Cai, Bo Zhou
发布时间: 2025-02-27
来源: arxiv
研究方向: 基于fMRI数据的自闭症谱系障碍（ASD）分类研究
主要内容
本文提出了一种新的空间-时间-组学学习框架（STO），用于从fMRI数据中高效提取空间和时间特征，以进行ASD分类。该框架结合了空间-时间体素组学（STVOmics）和空间-时间区域组学（STROmics），分别从体素和区域层面提取特征，并通过3D CNN和单层感知器（SLP）进行处理，最终融合特征进行分类。
主要贡献
1. 提出了一种新的空间-时间-组学学习框架（STO），有效结合了体素和区域层面的特征提取。
2. 通过3D时间域导数提取STVOmics，保留了完整的空间分辨率，同时捕捉了每个体素的时间序列统计特征。
3. 利用功能连接特征作为STROmics，捕捉了跨脑区域的相关性，降低了计算复杂度。
4. 在ABIDE数据集上的实验表明，该框架在ASD分类任务中显著优于现有方法，同时保持了计算效率。
研究方法
1. 使用3D时间域导数提取空间-时间体素组学（STVOmics）。
2. 利用功能连接特征提取空间-时间区域组学（STROmics）。
3. 采用3D CNN处理STVOmics，单层感知器（SLP）处理STROmics。
4. 通过5折交叉验证评估模型性能，使用AUC作为主要评估指标。
5. 与多种基线方法进行比较，包括基于均值时间序列和全4D fMRI数据的方法。
实验结果
在ABIDE数据集上的实验结果表明，STO框架在所有数据比例（100%、75%、50%）下均显著优于现有方法。使用CC200图谱时，STO框架的AUC分别达到0.752（100%）、0.730（75%）和0.725（50%），优于其他方法。此外，STO框架在计算效率上也表现出色，参数数量和内存消耗较低。
未来工作
未来的工作可以进一步探索更多的3D时间统计特征，并将其整合到STVOmics中。同时，可以研究更先进的STROmics方法，以进一步提升分类性能。此外，开发更好的策略来整合两种组学特征，也是未来研究的一个重要方向。