变压器辅助的动态因果模型用于有效连接的可扩展估计

科学领域:

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

背景情况:

• 动态因果模型 (DCM) 对于理解fMRI数据中的有效连接至关重要.
• 传统的DCM面临着计算的局限性,将分析局限于小的大脑网络 (通常<10个区域).
• 现有的更快的替代方案,如回归DCM (rDCM) 有局限性,包括线性化和固定的血液动力反应函数 (HRF).

研究的目的:

• 使用fMRI开发一种可扩展和准确的方法来估计大规模大脑网络中的有效连接.
• 克服现有的DCM方法的计算约束和固有的局限性.

主要方法:

• 提出了一种名为变压器编码器DCM解码器 (TREND) 的新型混合方法.
• 趋势将变压器编码器与最先进的生理DCM (P-DCM) 解码器相结合.
• 通过广泛的模拟和经验fMRI数据集验证了该方法.

主要成果:

• 趋势准确地预测高达100个地区的网络中的有效连接值.
• 与P-DCM相比,显著减少了计算时间.
• 在经验数据上展示了TREND与其他DCM变体相比的卓越准确性和/或速度.

结论:

• 趋势提供了一个开创性的,可扩展的解决方案,用于大规模的大脑网络中有效的连接分析.
• 混合方法保留非线性,同时提高计算效率.
• 趋势将DCM的适用性扩展到复杂的全脑分析.