自主监督的fMRI时间序列变压器的预训练任务在自闭症检测中

科学领域:

• 神经科学是一个神经科学.
• 机器学习 机器学习
• 医疗成像医学成像

背景情况:

• 自闭症谱系障碍 (ASD) 由于症状的变化而带来诊断挑战.
• 休息状态功能磁共振成像 (rs-fMRI) 是研究ASD中大脑活动的关键工具.
• 变压器模型对分析复杂的序列数据 (如fMRI) 是有前途的.

研究的目的:

• 开发和评估基于变压器的自主监督学习框架,用于使用rs-fMRI数据进行ASD分类.
• 调查不同掩盖策略在自我监督的预训中提高模型性能的有效性.
• 为了解决小型神经成像数据集中常见的过度匹配问题.

主要方法:

• 开发了一个基于变压器的自我监督框架,直接分析rs-fMRI时间序列数据.
• 自主监督的预训包括重建随机掩盖的fMRI数据,策略包括掩盖整个ROI或时间点.
• 预训练模型为ASD分类进行了微调,并通过交叉验证在两个公共数据集上进行了验证.

主要成果:

• 在自我监督的预训练期间掩盖整个ROI,与掩盖时间点相比,产生了更高的性能.
• 这种ROI掩盖策略导致AUC平均提高10.8%,主题准确度平均提高9.3%.
• 与从头开始的培训相比,拟议的框架在不同数量的培训数据中表现得更好.

结论:

• 基于变压器的自主监督学习,特别是使用ROI掩盖,对于rs-fMRI的ASD分类是有效的.
• 开发的框架提供了一个有希望的方法来提高ASD的诊断准确性.
• 这项研究为研究界提供了一个有价值的,公开可用的资源.