Oct, 2023

多维嵌入感知的模态融合变压器用于精神障碍分类

PDF
TL;DR我们提出了一种基于多维嵌入感知的模态融合变压器（MFFormer）来使用静息状态功能磁共振成像（rs-fMRI）和 T1 加权结构磁共振成像（T1w sMRI）对精神分裂症和双相障碍进行分类，实验结果表明我们的 MFFormer 在精神分裂症和双相障碍诊断上表现优于单一或多模态 MRI。
deep learningneuroimaging techniquespsychiatric disorders classificationrs-fmrimulti-modality mri
发现论文，激发创造
  • 双金字塔多模态融合方法用于双相障碍的诊断

    利用脑部结构磁共振成像和功能磁共振成像数据，结合融合策略，提出了一种新颖的多模态诊断模型，用于双相情感障碍的诊断。实验证明，该方法在 OpenfMRI 数据集上的平衡准确度从 0.657 提升至 0.732，达到了最先进水平。

    Jan, 2024

  • 一种可解释的跨注意力多模态 MRI 融合框架用于精神分裂症诊断

    我们提出了一种名为 CAMF 的新型 Cross-Attentive Multi-modal Fusion 框架，能够捕捉 fMRI 和 sMRI 之间的内部和互间关系，优化多模态数据表示。通过在两个广泛的多模态脑成像数据集上的评估，CAMF 明显提高了分类准确性，并且可以解释与精神分裂症相关的重要功能网络和脑区域的生物标记物，为精神分裂症的诊断和病理内表型提供新的见解。

    Mar, 2024

  • 3D 脑部瘤分割的 3D 融合 Transformer

    该研究提出了一种基于 3D Transformer 的分割方法，采用无限可变形融合 Transformer 模块 (IDFTM) 和融合头自注意机制 (FHSA) 提取 MRI 图像的长程空间依赖关系特征，通过在公共数据集中对脑肿瘤的分割实验验证，证明其优于其他目前最先进的方法。

    Apr, 2023

  • 多特征拼接和多分类器堆叠：一种可解释和可泛化的基于 rsfMRI 的 MDD 判别机器学习方法

    通过使用多种特征和多种分类器的机器学习方法（MFMC），对使用 REST-meta-MDD 数据集的 2428 名受测者进行测试，MFMC 的 MDD 区分准确率达到 96.9％，明显改善了现有方法；并且，验证了 MFMC 的泛化能力，当训练和测试受测者来自独立的场地时，其表现仍然良好。这些结果将有助于将 13 个特征值作为临床有用的精神障碍诊断和预后生物标志物。

    Aug, 2023

  • 使用循环神经网络学习精神分裂症障碍的神经标记

    利用循环卷积神经网络从 4 维功能磁共振成像记录中自动学习有用的表示，旨在利用功能性磁共振成像电影中的空间和时间信息（在全脑像素水平上）识别患有精神分裂症的患者。

    Dec, 2017

  • 通过多模态多阶因子融合进行抑郁症诊断和分析

    本文提出了一种多模态多阶因素融合 (MMFF) 方法，能够很好地利用不同模态之间的高阶交互作用，从而进行抑郁症的自动诊断，并且能够解释模型的融合机制。在两个最近流行的数据集上进行了广泛的实验证明，相比其他现有方法，我们的方法具有更好的性能。

    Dec, 2022

  • 多分辨率时空增强变压器去噪与功能扩散 GAN 构建 MCI 分析脑有效连接

    本论文提出了一种新型的多分辨率时空增强变压器去噪网络，利用一个条件扩散过程将噪声和功能磁共振成像（fMRI）转换为对轻度认知障碍（MCI）进行分析的有效连接，该模型不仅预测性能卓越，而且能够识别与临床研究一致的 MCI 相关因果连接。

    May, 2023

  • 一种基于 Transformer 的表征学习模型，用于临床诊断的多模态输入统一处理

    我们提出了一个基于 Transformer 的诊断辅助模型，可以以统一的方式处理多模态输入，该模型在辨别肺部疾病方面表现出了比仅使用图像模型和非统一多模态诊断模型更高的识别率，并在 COVID-19 患者的不良临床预后方面表现出了更高的预测能力。

    Jun, 2023

  • 应用混合融合变压器处理多序列 MRI

    通过利用多序列 MRI 图像进行医学分割，使用混合融合 Transformer 方法来提高脑肿瘤分割的效果。

    Nov, 2023

  • mmFormer：用于不完整多模态脑肿瘤分割的多模态医学 Transformer

    该研究提出了一种多模态医学 Transformer (mnFormer)，用于不完整多模态学习的脑肿瘤分割，并且该方法在 BraTS 2018 数据集上显示出了比现有方法更好的表现。

    Jun, 2022