Известия высших учебных заведений

Прикладная нелинейная динамика

ISSN 0869-6632 (Print)
ISSN 2542-1905 (Online)


Для цитирования:

Власенко Д. В., Заикин А. А., Захаров Д. Г. Классификация мозговой активности при помощи синолитических сетей // Известия вузов. ПНД. 2023. Т. 31, вып. 5. С. 661-669. DOI: 10.18500/0869-6632-003062, EDN: RUEQPM

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
Полный текст в формате PDF(En):
(загрузок: 0)
Язык публикации: 
русский
Тип статьи: 
Научная статья
УДК: 
530.182
EDN: 

Классификация мозговой активности при помощи синолитических сетей

Авторы: 
Власенко Даниил Владимирович, Санкт-Петербургский государственный университет (СПбГУ)
Заикин Алексей Анатольевич, Университетский Колледж Лондона
Захаров Денис Геннадьевич, Высшая школа экономики
Аннотация: 

Поскольку мозг — это чрезвычайно сложная гиперсеть взаимодействующих между собой макроскопических подсетей, проведение полномасштабного анализа его активности представляется труднейшей задачей. Тем не менее эту задачу можно существенно упростить, анализируя соответствие различных паттернов макроскопической активности мозга, например, на снимках функциональной магнитно-резонансной томографии (фМРТ), выполнению тех или иных когнитивных задач или патологическим состояниям.

Цель данной работы — предложить и протестировать метод представления данных фМРТ в виде графов, которые отражают в себе полезную для последующей классификации информацию о взаимосвязях активности областей мозга.

Методы. В данной работе исследуется возможность применения синолитических сетей в анализе мозговой активности. В частности, был предложен метод построения графа, вершины которого отражают значения вокселей фМРТ, а ребра и веса ребер отражают взаимосвязи между вокселями фМРТ.

Результаты и Заключение. На основе классификации фМРТ данных по характеристикам графов была показана эффективность метода на основе синолитических сетей в выявлении и передаче важной для классификации информации при построении графов.

Благодарности: 
Исследование осуществлено в рамках Программы фундаментальных исследований НИУ ВШЭ с использованием суперкомпьютерного комплекса НИУ ВШЭ
Список источников: 
  1. Ogawa S, Lee TM, Kay AR, Tank DW. Brain magnetic resonance imaging with contrast dependent on blood oxygenation. Proceedings of the National Academy of Sciences of the United States of America. 1990;87(24):9868–9872. DOI: 10.1073/pnas.87.24.9868.
  2. Singleton MJ. Functional magnetic resonance imaging. Yale J. Biol. Med. 2009;82(4):233.
  3. Gao JS, Huth AG, Lescroart MD, Gallant JL. Pycortex: an interactive surface visualizer for fMRI. Frontiers in Neuroinformatics. 2015;9:23. DOI: 10.3389/fninf.2015.00023.
  4. Li X, Dvornek NC, Zhou Y, Zhuang J, Ventola P, Duncan JS. Graph neural network for interpreting task-fMRI biomarkers. In: Shen D, Liu T, Peters TM, Staib LH, Essert C, Zhou S, Yap PT, Khan A, editors. Medical Image Computing and Computer Assisted Intervention – MICCAI 2019. MICCAI 2019. Vol. 11678 of Lecture Notes in Computer Science. Cham: Springer; 2019. P. 485–493. DOI: 10.1007/978-3-030-32254-0_54.
  5. Saueressig C, Berkley A, Munbodh R, Singh R. A joint graph and image convolution network for automatic brain tumor segmentation. In: Crimi A, Bakas S, editors. Brainlesion: Glioma, Multiple Sclerosis, Stroke and Traumatic Brain Injuries. BrainLes 2021. Vol. 12962 of Lecture Notes in Computer Science. Cham: Springer; 2022. P. 356–365. DOI: 10.1007/978-3-031-08999-2_30.
  6. Anderson A, Cohen MS. Decreased small-world functional network connectivity and clustering across resting state networks in schizophrenia: an fMRI classification tutorial. Frontiers in Human Neuroscience. 2013;7:520. DOI: 10.3389/fnhum.2013.00520.
  7. Kim BH, Ye JC. Understanding graph isomorphism network for rs-fMRI functional connectivity analysis. Frontiers in Neuroscience. 2020;14:630. DOI: 10.3389/fnins.2020.00630.
  8. Nazarenko T, Whitwell HJ, Blyuss O, Zaikin A. Parenclitic and synolytic networks revisited. Frontiers in Genetics. 2021;12:733783. DOI: 10.3389/fgene.2021.733783.
  9. Horikawa T, Kamitani Y. Generic Object Decoding (fMRI on ImageNet) [Electronic resource]. OpenNeuro. 2019. No. ds001246. DOI: 10.18112/openneuro.ds001246.v1.2.1.
  10. Pedregosa F, Varoquaux G, Gramfort A, Michel V, Thirion B, Grisel O, Blondel M, Prettenhofer P, Weiss R, Dubourg V, Vanderplas J, Passos A, Cournapeau D, Brucher M, Perrot M, Duchesnay E. ´ Scikit-learn: Machine learning in Python. Journal of Machine Learning Research. 2011;12(85): 2825–2830.
Поступила в редакцию: 
17.05.2023
Принята к публикации: 
10.07.2023
Опубликована онлайн: 
21.09.2023
Опубликована: 
29.09.2023