近日，由我院完成的深度学习模型应用研究论文“卷积递归神经网络在功能核磁共振成像与脑疾病分析应用”被国际顶级刊物《Frontiers in Neuroscience》接收并出版。

面向核磁共振的动态脑网络研究为人们了解人脑的基本特性提供了一个有效手段。但传统的机器学习手段或现有的深度学习手段往往没有考虑动态脑网络中连续性信息，这些信息可进一步提高模型性能。因此，本成果提出了一种卷积递归神经网络（CRNN）用以自动化脑疾病诊断。首先，基于功能核磁共振数据利用滑动时间窗方式构建动态脑网络，然后，利用三层卷积层与长短记忆网络层来提取高层次特征并且保留了特征中的连续性信息，后面再连接全连接层用以最后的分类。提出的网络模型在包含174个样本563个扫描的真实数据集上验证了其优越的性能。其模型主要思路见图1。成果论文题目为“Convolutional Recurrent Neural Network for Dynamic Functional MRI Analysis and Brain Disease Identification”，我院研究生林凯为论文第一作者，接标教授为通讯作者，安徽师范大学计算机信息学院为第一完成单位。

图1 卷积递归神经网络模型框架

Frontiers in Neuroscience为医学神经科学的经典期刊，2022年影响因子为5.152，其主要收录关于医学神经学、人工智能在脑疾病诊断方面的文章。该成果论文目前已在Frontiers网站上刊登：https://www.frontiersin.org/articles/10.3389/fnins.2022.933660/full。