跨界ConvPyramid:深度多式融合用于性脑磁观测尖端检测

科学领域:

• 神经科学是一个神经科学.
• 生物医学工程 生物医学工程
• 机器学习 机器学习

背景情况:

• 磁脑电图 (MEG) 对于非侵入性分析至关重要,提供高分辨率的大脑活动数据.
• 在MEG中自动检测尖峰可以减少手动注释时间,帮助临床决策.
• 当前的方法往往忽视空间模式,难以区分尖和文物.

研究的目的:

• 开发一种自动化方法来检测MEG数据中的峰.
• 解决将尖峰与文物区分开来,利用多道空间信息的挑战.
• 引入一种新的多式联接融合框架,以提高尖端检测的准确性.

主要方法:

• 一个多式联通融合框架,结合了MEG信号记录和地形图图像.
• 介绍CrossConvPyramid,一种使用卷积金字塔和注意力机制的新型融合技术.
• 采用交叉注意力来实现模式间特征相关性和自我注意力来实现特征精细化.

主要成果:

• 在两个真实世界MEG数据集上获得了92.88%和95.23%的平均F1分数.
• 超越了最先进的方法,分别为2.31%和0.88%.
• 证明了用于尖峰分类的空间和时间信息的有效融合.

结论:

• 拟议的多式模式框架显著改善了MEG中的尖峰检测.
• "CrossConvPyramid"技术提供了一个强大的方法来融合各种数据模式.
• 这种方法有望帮助临床诊断和预后管理.