全脑任务fMRI解码使用阶段智能剩余优化3D ConvNeXt与层级全球响应规范化

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:

• 从功能磁共振成像 (fMRI) 解码大脑状态对于认知神经科学和临床应用至关重要.
• 当前的深度学习模型在fMRI分析中平衡任务概括,空间细节和可解释性方面面临挑战.

研究的目的:

• 为整大脑任务fMRI解码引入一个新的3D ConvNeXt框架.
• 提高fMRI解码模型的准确性,效率和可解释性.

主要方法:

• 开发了一个3D ConvNeXt框架,包括层级全球响应规范化 (LN-GRN) 和阶段智能剩余连接.
• 评估了7个认知领域的人类连接组项目数据集上的模型.
• 利用特征多样性分析和统一的多重近似和投影 (UMAP) 进行聚类和突出映射.

主要成果:

• 拟议的框架始终优于传统和专业的3D fMRI架构.
• LN-GRN提高了特征分离性,并且限制了剩余连接,提高了效率而不牺牲准确性.
• Saliency 地图显示了神经解剖学上有意义的激活模式,证实了模型的可解释性.

结论:

• 3D ConvNeXt框架为fMRI解码提供了强大,高效和可解释的解决方案,即使数据有限.
• 该模型通过将预测与功能性大脑解剖学联系起来,提供神经科学见解.
• 这种方法对推进认知神经科学和临床神经影像学有很大的前景.