多模式融合变压器与时空特征聚合模块用于精神疾病诊断

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 人工智能的人工智能

背景情况:

• 双极性障碍 (BD) 诊断依赖于识别反复出现的抑郁和轻度躁狂发作.
• 当前的诊断方法往往缺乏足够的准确性,需要先进的分析方法.
• 休息状态功能磁共振成像 (rs-fMRI) 为客观BD评估提供了一个有前途的途径.

研究的目的:

• 开发一个新的框架,空间时间特征融合变压器 (STF2Former),用于增强双相情感障碍诊断.
• 通过更好地捕捉 rs-fMRI 数据中复杂的时空动态来改进现有方法.
• 为了实现更高的准确性在临床诊断的双相情感障碍.

主要方法:

• 提出了空间时间特征融合变压器 (STF2Former) 框架,基于MFFormer.
• 引入了一个时空特征聚合模块 (STFAM) 来从rs-fMRI数据中提取时间和空间特征.
• 解了时间和空间维度以进行单独的特征提取,并为信息融合采用了模式内关注.

主要成果:

• 时空特征聚合模块 (STFAM) 证明了从rs-fMRI中提取关键特征的有效性.
• 在诊断准确度方面,STF2Former显著超过了之前的MFFormer模型.
• 与用于检测双相情感障碍的其他最先进方法相比,提出的方法取得了更好的结果.

结论:

• 使用rs-fMRI,STF2Former在准确诊断双相情感障碍方面取得了重大进展.
• 时空特征学习的整合增强了模型区分BD与其他条件的能力.
• 这一框架有可能改善精神病学中的临床决策.