GACT:一个两阶段的年龄预测模型,结合全球注意力阻断

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:

• 使用神经成像来估计大脑年龄对于理解大脑发育和神经疾病至关重要.
• 目前使用功能性MRI (fMRI) 的深度学习模型通常依赖于空间地图或连接,可能会丢失详细的大脑信息.

研究的目的:

• 利用未分割的fMRI数据开发一种新的深度学习方法来预测大脑年龄.
• 为了更好地从fMRI数据中捕获时空信息,以改善年龄估计.

主要方法:

• 使用原始的,未分段的fMRI数据作为输入特征.
• 集成卷积神经网络 (CNN) 和变压器模型来提取空间和时间特征.
• 使用多层感知器 (MLP) 进行最终年龄预测.

主要成果:

• 拟议的模型在脑年龄预测任务中表现出色.
• 一种可解释性方法确定了影响年龄回归的关键大脑区域.

结论:

• 直接使用非细分的fMRI数据与CNN和变压器提供了一个强大的新方法来估计大脑年龄.
• 这些发现为未来的神经成像研究和理解大脑衰老提供了宝贵的见解.