一个混合CNN-变压器网络用于基于fMRI的特征编码在阿尔茨海默氏症疾病分类中

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) 对于研究大脑活动至关重要,但由于高维度和时间复杂性,它面临着挑战.
• 有效的特征表示对于神经成像中准确的分析和分类任务至关重要.

研究的目的:

• 为先进的fMRI特征编码开发一个端到端的深度学习网络.
• 通过使用fMRI数据验证该网络在分类阿尔茨海默病 (AD) 中的有效性.

主要方法:

• 在每个时间点使用3D卷积神经网络 (CNN) 来对fMRI数据进行空间编码.
• 一个具有3D定位编码的专用3D变压器注意力块被设计用于模拟空间特征和远程依赖.
• 一个级联变压器模块整合了跨时间点的空间特征,以捕捉动态的大脑活动变化.

主要成果:

• 拟议的深度学习网络显示了对fMRI数据的功能表征的改进.
• 该方法在两个ADNI数据集上显著提高了阿尔茨海默病分类性能.
• 该方法有效地捕获了fMRI数据的空间和时间特征.

结论:

• 开发的深度学习网络为自动化fMRI特征编码提供了强大的解决方案.
• 这种方法为分析复杂的神经成像数据和改进疾病分类提供了强大的工具.
• 这些发现突显了高级深度学习技术在神经科学研究中的潜力.