4DfCF: 4D fMRI 交叉形态视觉变压器
IEEE journal of biomedical and health informatics
|November 13, 2025
概括
一个新的4D功能磁共振成像 (fMRI) CrossFormer模型分析了大脑动态,提高了对ADHD和阿尔茨海默病等神经疾病的诊断准确度. 这种人工智能工具增强了精确的神经科学研究.
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:
- 使用功能磁共振成像 (fMRI) 分析时空大脑动态是具有挑战性的,因为复杂的大脑网络和当前的分析方法的局限性.
- 现有的方法很难有效地处理高维的4DfMRI数据来预测认知和临床结果.
研究的目的:
- 介绍4D功能磁共振成像 (fMRI) CrossFormer (4DfCF),这是一个用于分析4D fMRI数据的新型视觉转换器架构.
- 评估4DfCF模型在神经疾病的基准数据集上的表现.
- 展示模型在推进精确神经科学方面的潜力.
主要方法:
- 开发了一种新的视觉转换器架构 (4DfCF),以整合4D fMRI数据的时间和空间维度.
- 评估了4DfCF模型的注意力缺陷多动性障碍-200 (ADHD-200),阿尔茨海默病神经成像计划 (ADNI) 和自闭症脑成像数据交换 (ABIDE) 数据集.
- 利用一种可解释的AI方法来识别与疾病相关的大脑区域.
主要成果:
- 4DfCF模型的表现始终优于最先进的基线模型,在准确度 (5-10%),精度 (4-8%),回忆力 (6-9%) 和F1得分 (7-11%) 上显示出显著的改善.
- 4DfCF-Tiny变种实现了更高的效率,使用的计算量减少了20%,训练速度快了30%.
- 预训练和微调实验显示了更快的融合和更高的准确性,ABIDE预训练模型显示出更高的性能.
结论:
- 4D fMRI CrossFormer (4DfCF) 为分析复杂的4D fMRI数据提供了一种强大而高效的方法.
- 该模型显示了改善神经和精神疾病的诊断和理解的巨大潜力.
- 这些发现支持通过可扩展和可解释的AI驱动的大脑成像数据分析来推动精确神经科学的进步.
