从静止状态大脑动态预测与任务相关的大脑活动,使用fMRI变压器.
Junbeom Kwon1, Jungwoo Seo1, Heehwan Wang1
1Seoul National University, Seoul, South Korea.
Imaging neuroscience (Cambridge, Mass.)
|August 13, 2025
概括
这项研究介绍了SwiFUN,这是一种深度学习模型,可以从静止状态fMRI扫描中预测大脑任务活动. 在临床神经科学中,SwiFUN提高了预测准确度,为基于任务的fMRI提供了潜在的替代方案.
科学领域:
- 神经科学是一个神经科学.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 从静止状态fMRI预测大脑任务反应性是具有挑战性的.
- 传统的方法与复杂的时空大脑模式作斗争.
- 深度学习提供了提高预测准确性的潜力.
研究的目的:
- 介绍SwiFUN (Swin fMRI UNet Transformer),这是一个新的深度学习框架.
- 从静态fMRI直接预测3D任务激活地图.
- 提高对个体大脑功能的理解和预测.
主要方法:
- 使用基于变压器的深度学习架构 (SwiFUN).
- 雇员转移了基于窗口的自我注意力来识别模式.
- 整合了对比式学习以捕捉个体学科差异.
主要成果:
- 在所有对比度上,SwiFUN实现了比现有方法更高的预测准确度.
- 在FACES-PLACES对比度 (ABCD数据) 的预测中表现出高达27%的改善.
- 揭示了与性别,年龄和抑郁症状相关的任务激活地图的个体差异.
结论:
- SwiFUN提供了一个可扩展,准确的方法来预测休息状态fMRI的任务反应性.
- 这种方法可能会减少在临床环境中对基于任务的fMRI的依赖.
- 为未来的神经科学和临床研究提供了一个有前途的方向.
更多相关视频
08:36Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms
Published on: March 21, 2019
7.3K
09:36Extracting Visual Evoked Potentials from EEG Data Recorded During fMRI-guided Transcranial Magnetic Stimulation
Published on: May 12, 2014
13.9K
