一个插入式图形神经网络,以提高fMRI分析中的时间灵敏度

科学领域:

• 神经成像是一种神经成像.
• 机器学习 机器学习
• 计算神经科学是一种神经科学.

背景情况:

• 深度学习模型显示了使用功能连接 (FC) 特性对高维功能MRI (fMRI) 数据进行分类的前景.
• 现有的模型经常使用静态FC特征,限制它们捕捉动态大脑活动模式的能力.
• 时间敏感性对于提高fMRI分析中的分类准确性至关重要.

研究的目的:

• 介绍 GraphCorr,一个新的图形神经网络 (GNN) 插件,旨在增强基线分类模型的输入特性.
• 通过结合具有时间丰富的FC特征来提高分类模型的性能.
• 为了保持计算效率,同时利用动态大脑活动信息.

主要方法:

• GraphCorr使用GNN计算潜在的FC特征,并增强时间信息.
• 它使用了一个节点嵌入模块的变压器编码器来捕获动态BOLD信号表示.
• 延迟波器模块通过学习跨时间延迟的相关性特征来解释延迟的交互.

主要成果:

• GraphCorr成功地生成了潜在的FC特征,并增强了时间信息.
• 插件保持了与静态FC特征相匹配的维度.
• 使用GraphCorr增强最先进的图形和卷积模型,从而提高了三个公共数据集的分类性能.

结论:

• 通过结合动态FC特征,GraphCorr提供了一种新且高效的方法来增强fMRI分类.
• 拟议的插件显著提高了现有的深度学习模型的性能.
• 在脑活动分析中利用时间动态 GraphCorr 是一个有价值的进步.