Aperçu: G.M.
CONTEXTE:
Les techniques avancées de neuroimagerie non invasive offrent de nouvelles approches pour étudier les fonctions et les structures du cerveau humain. Les réseaux fonctionnels du cerveau entier obtenus à partir de l'imagerie par résonance magnétique fonctionnelle à l'état de repos ont été largement utilisés pour étudier les "affections" du cerveau comme les "troubles du spectre de l'autisme" (TSA). L'auto-classification des TSA est devenue un problème important. Les méthodes de classification existantes pour les TSA sont basées sur des caractéristiques extraites des réseaux fonctionnels du cerveau entier, qui peuvent ne pas être suffisamment discriminantes pour de bonnes performances.
MÉTHODES:
Dans cette étude, nous proposons une stratégie de sélection des fonctionnalités basée sur le clustering de réseau pour classer les TSA. Dans notre méthode, nous appliquons d'abord la factorisation matricielle non négative symétrique pour diviser les réseaux cérébraux en quatre modules. Ensuite, nous extrayons des fonctionnalités de l'un des quatre modules appelés réseau en mode par défaut (DMN) et les utilisons pour former plusieurs classificateurs pour la classification TSA.
RÉSULTATS:
Les expériences de calcul montrent que notre méthode proposée réalise de meilleures performances que celles fondées sur des caractéristiques extraites de l'ensemble du réseau cérébral.
CONCLUSION:
C'est une bonne stratégie pour former les classificateurs pour le TSA en fonction des fonctionnalités du sous-réseau en mode par défaut.
Les techniques avancées de neuroimagerie non invasive offrent de nouvelles approches pour étudier les fonctions et les structures du cerveau humain. Les réseaux fonctionnels du cerveau entier obtenus à partir de l'imagerie par résonance magnétique fonctionnelle à l'état de repos ont été largement utilisés pour étudier les "affections" du cerveau comme les "troubles du spectre de l'autisme" (TSA). L'auto-classification des TSA est devenue un problème important. Les méthodes de classification existantes pour les TSA sont basées sur des caractéristiques extraites des réseaux fonctionnels du cerveau entier, qui peuvent ne pas être suffisamment discriminantes pour de bonnes performances.
MÉTHODES:
Dans cette étude, nous proposons une stratégie de sélection des fonctionnalités basée sur le clustering de réseau pour classer les TSA. Dans notre méthode, nous appliquons d'abord la factorisation matricielle non négative symétrique pour diviser les réseaux cérébraux en quatre modules. Ensuite, nous extrayons des fonctionnalités de l'un des quatre modules appelés réseau en mode par défaut (DMN) et les utilisons pour former plusieurs classificateurs pour la classification TSA.
RÉSULTATS:
Les expériences de calcul montrent que notre méthode proposée réalise de meilleures performances que celles fondées sur des caractéristiques extraites de l'ensemble du réseau cérébral.
CONCLUSION:
C'est une bonne stratégie pour former les classificateurs pour le TSA en fonction des fonctionnalités du sous-réseau en mode par défaut.
BMC Med Genomics. 2019 Dec 30;12(Suppl 7):153. doi: 10.1186/s12920-019-0598-0.
A network clustering based feature selection strategy for classifying autism spectrum disorder
Author information
- 1
- Department of Mechanical Engineering, University of Saskatchewan, Saskatoon, S7N 5A9, Canada.
- 2
- Division of Biomedical Engineering, University of Saskatchewan, Saskatoon, S7N 5A9, Canada.
- 3
- School of Mathematics and Statistics, Hainan Normal University, Haikou, 571158, China.
- 4
- Department of Mechanical Engineering, University of Saskatchewan, Saskatoon, S7N 5A9, Canada. faw341@mail.usask.ca.
- 5
- Division of Biomedical Engineering, University of Saskatchewan, Saskatoon, S7N 5A9, Canada. faw341@mail.usask.ca.
Abstract
BACKGROUND:
Advanced non-invasive neuroimaging techniques offer new approaches to study functions and structures of human brains. Whole-brain functional networks obtained from resting state functional magnetic resonance imaging has been widely used to study brain diseases like autism spectrum disorder (ASD). Auto-classification of ASD has become an important issue. Existing classification methods for ASD are based on features extracted from the whole-brain functional networks, which may be not discriminant enough for good performance.METHODS:
In this study, we propose a network clustering based feature selection strategy for classifying ASD. In our proposed method, we first apply symmetric non-negative matrix factorization to divide brain networks into four modules. Then we extract features from one of four modules called default mode network (DMN) and use them to train several classifiers for ASD classification.RESULTS:
The computational experiments show that our proposed method achieves better performances than those trained with features extracted from the whole brain network.CONCLUSION:
It is a good strategy to train the classifiers for ASD based on features from the default mode subnetwork.- PMID:31888621
- DOI:10.1186/s12920-019-0598-0
