ICMLOct, 2022

脑网络变换器

PDF
TL;DR本文探讨了基于 Transformer 模型的脑网络分析方法。通过将脑网络构建为固定大小和顺序的图形，使用连接特征提供自然低成本的位置信息，学习不同个体之间具有高预测性的特征强度。基于自监督软聚类和正交投影的正交聚类读取操作包含确定相似行为的基础功能模块，导致具有区分性的簇感知节点嵌入和信息丰富的图嵌入。该方法在公开 ABIDE 和经过限制的 ABCD 数据集上实现了明显的改善，代码实现可以在该 https URL 获取。
发现论文，激发创造
  • 基于 Transformer 的脑网络分析层次聚类

    本文提出了一个新的可解释性变换器模型，用于联合分层聚类识别和脑网络分类，以实现对脑区功能组织的可行洞察。

    May, 2023

  • 学习可学习社区感知的大脑连接组分析的变压器与令牌聚类

    通过神经科学研究，本文提出了一种基于 Transformer 架构的令牌聚类脑模型（TC-BrainTF）来联合社群聚类和分类，通过在神经考察数据集上进行严格测试，显示出了 TC-BrainTF 模型在识别自闭症谱系障碍（ASD）和分类性别方面的准确性提高，并展示了所设计的 TC 模块的效果和对神经科学解释的相关性。

    Mar, 2024

  • 基于连接组学的大脑疾病分析可解释化图神经网络

    该研究提出了一个可解释性的框架，用于分析特定于疾病的感兴趣区域和突出连接。该框架包括一个面向脑网络的预测模型和一个全局共享的解释生成器，该生成器突出了特定于疾病的生物标记物。实验证明，该框架可以获得出色的性能并识别有意义的生物标记物。

    Jun, 2022

  • 社区感知变压器用于 fmri 连接组自闭症预测

    使用功能性磁共振成像 (fMRI) 构建大脑功能连通图能够帮助理解和诊断自闭症谱系障碍 (ASD) 的特点，进而提高治疗效果。提出了一种层次化的局部 - 全局 Transformer 架构 Com-BrainTF，能够学习到考虑社群内外关联的节点表示，并在 ASD 预测任务中取得比最先进架构更好的性能，拥有高可解释性。

    Jun, 2023

  • 通过双缩放器解构空间 - 时间功能性脑网络

    本论文提出了一种新的双变压器框架，可以同时推断空间和时间维度下的共同和个性的功能网络，该方法应用于人体连接组项目（HCP）运动任务 - fMRI 数据集，并成功识别出多个共同脑网络和一组个体特异的网络。

    Apr, 2022

  • 大规模动态脑连接图的图表示学习与 Transformer

    使用图变换器学习动态功能连接性的表示，实验证明我们的方法在基于 fMRI 数据提取的功能连接性的性别分类和年龄回归任务中优于竞争基准。

    Dec, 2023

  • BrainFounder：面向神经影像分析的大脑基础模型

    通过整合来自 41400 名参与者的 MRI 数据集，利用视觉转换器进行两阶段预训练方法，该研究引入了一种新颖的方法来创建医学基础模型，并通过 MRI 在复杂的神经影像任务中提高了模型的准确性和预测能力。

    Jun, 2024

  • FBNETGEN: 基于任务感知的基于 GNN 的 fMRI 分析方法：通过功能性脑网络生成

    FBNETGEN 是一种通过深度大脑网络生成的任务感知和可解释的 fMRI 分析框架，旨在完全发挥深度图神经网络在基于网络的 fMRI 分析中的作用，并提供了通过突出预测相关的大脑区域进行独特解释的学习图。

    May, 2022

  • 功能脑网络分析的多级关注动态脑变压器

    本文提出了一种新方法，Dynamic bRAin Transformer（DART），通过结合静态和动态脑网络进行更有效和细致的脑功能分析，使用静态脑网络作为基线，整合动态脑网络以提高性能，并采用注意机制提高模型的可解释性和利用动态脑网络的时间变化，该方法对血氧水平依赖信号的低信噪比问题提供了一个强大的解决方案，同时为最终预测做出有价值的洞察，因此，DRAT 在神经影像研究中展示出了一个有希望的方向，有助于全面理解脑机构和神经回路的作用。

    Sep, 2023

  • BrainMAE: 脑信号的区域感知自监督学习框架

    利用功能磁共振成像 (fMRI) 和深度学习方法，我们提出一种名为 BrainMAE 的大脑掩码自编码器，能够从 fMRI 时间序列数据中学习表示，捕捉大脑活动的丰富时间动态并对数据中固有的噪声具有强大的鲁棒性，并在四个不同的下游任务中显著优于传统方法。

    Jun, 2024