通过时空查和区域意识的特征提取进行高效的4D fMRI 分析,以获得无模板的大脑疾病分类
Wenwen Zeng1, Feiyu Yin1, Yu Lei1
1College of Biomedical Engineering, Fudan University, Shanghai 200433, People's Republic of China.
Physics in medicine and biology
|October 15, 2025
概括
这项研究引入了一种新的深度学习模型,用于分析功能磁共振成像 (fMRI) 数据. 新方法通过共同建模时空特征,有效地识别脑疾病生物标志物,提高准确性和效率.
科学领域:
- 神经成像是一种神经成像.
- 人工智能的人工智能
- 生物医学工程 生物医学工程
背景情况:
- 功能磁共振成像 (fMRI) 对于检测神经疾病生物标志物至关重要.
- 目前用于fMRI分析的深度学习方法面临限制,包括模板依赖性和空间和时间处理的分离,这可能会排除关键的时间连续性.
- 没有模板的模型往往无法保持大脑活动的内在时间动态.
研究的目的:
- 为4D fMRI数据的联合时空表示提出了一个新的轴向切片中心深度学习模型.
- 通过保持时间连续性和学科间的特异性来克服依赖模板和现有的无模板方法的局限性.
- 开发一个高效和可解释的框架来使用fMRI诊断大脑疾病.
主要方法:
- 开发了一种新的轴切片中心模型,以共同处理4D fMRI数据,将其分解为沿轴轴的3D时空多元体.
- 一个层次编码器被用来提取切片内的局部时空相互作用,逐渐聚合信息以捕获多颗粒度模式.
- 使用可微分的TopK操作可自适应地选择信息切片和时间点,平衡计算效率与远程时间依赖.
主要成果:
- 拟议的框架在轻度认知障碍检测的ADNI数据集上实现了97%的分类准确性,计算操作减少了25%以上.
- 在一个私人意识障碍数据集上,该模型在分类准确度方面超过了最先进的方法5%.
- 通过对切片级注意力图的可视化,确定了与先前研究一致的生物标志物,证明了无模板框架发现临床相关模式的能力.
结论:
- 开发的联合时空建模框架为使用4D fMRI数据进行大脑疾病分析提供了高效和可解释的解决方案.
- 轴切片中心的方法有效地保持了时间连续性,并实现了有利的复杂性-精度权衡.
- 识别临床相关神经模式的无模板能力突出了其在推进基于fMRI的诊断方面的潜力.
