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。

Oct, 2022

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

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

通过使用计算方法提出一种层次化模块分解大量高分辨率脑功能网络的方法，探讨人类大脑功能网络的层次化模块组织及模块内模块结构，揭示了模块间连接的关键作用，为研究大脑的适应性提供了基础。

Apr, 2010

提出了一种脑扩散器，利用层次化变换器来估计轻度认知障碍（MCI）分析的有效连接；该模型通过堆叠多头注意力和图卷积网络来增强结构 - 功能互补性并提高噪声估计能力，并有效地捕捉大脑区域之间的单向和双向相互作用。

Dec, 2023

提出了一种获得分层神经网络的分层模块化表示的方法，该方法使用层次聚类方法将训练网络应用于 Feature Vectors，以便根据它们与输入和输出维度值的相关性定义隐藏层单元之间的树状关系。

Oct, 2018

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

该研究提出了一种基于 T1-MRI 的新型动态结构脑网络构建方法，该方法可以动态定位关键区域并限制其层次分布，用于结构化的脑网络构建，以预测轻度认知障碍（MCI）病例的转化情况并取得最佳效果。

May, 2023

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

通过将向量量化变分自编码器的潜在表示与自回归变换器集合相结合，我们在相对较小的数据范围内，以低计算成本实现了无监督的异常检测和分割，并在合成和真实病变实验中将其与现有方法进行了比较，证明了变换器在这一最具挑战性的成像任务中的潜力。

Feb, 2021