Jun, 2024

结构脑 MR 图像的精神分裂症分类空间序列注意力网络

PDF
TL;DR该研究引入了一种深度学习方法，使用空间序列注意力（SSA）机制对带有精神分裂症的个体进行分类，通过结构性磁共振成像（sMRI）提取并强调重要特征表征，实验证明该注意力机制在精神分裂症分类中优于现有的压缩和激励网络。
schizophreniadeep learning methodologyspatial sequence attentionstructural mriclassification
发现论文，激发创造
  • 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

  • 基于注意力机制的脑肿瘤二阶段 MR 图像分割方法

    提出了一种基于 CASP-GAN 的协调空间注意力生成对抗网络，以及一种关注性生成跨模态分割方法，该方法在脑肿瘤分割中取得了比 CycleGAN 和部分前沿方法更好的结果。

    Apr, 2023

  • 一种 L2 正则化空间注意力网络用于准确快速分类 2D T1 加权 CE-MRI 图像中的脑肿瘤

    我们提出了一个准确快速的分类网络，用于 MRI 图像中的脑肿瘤分类，其在准确性方面优于所有轻量级方法。我们在包含三种类型脑肿瘤（脑膜瘤、胶质瘤和垂体瘤）的具有挑战性的 2D T1 加权 CE-MRI 数据集上测试了我们的模型。我们引入了一个 l2 归一化的空间注意力机制，在训练过程中充当了对抗过拟合的正则化器。我们将我们的结果与该数据集上的最新技术进行了比较，并显示通过将 l2 归一化的空间注意力集成到基线网络中，我们实现了 1.79 个百分点的性能提升。通过将我们的模型与预训练的 VGG16 集成在一起，可以实现更好的准确性，但会牺牲执行速度。我们的代码可在此 https URL 上公开访问。

    Aug, 2023

  • 神经手：一种弱监督的层次化关注网络用于神经影像异常检测

    在临床医院环境中，使用磁共振成像（MRI）扫描，我们提出了一种基于分层注意力网络的异常检测方法。这种分层方法提高了分类精度，同时通过粗糙的切片异常定位或不同切片和序列的重要性评分来解释模型的结果，使其适用于放射科部门的自动分诊系统。

    Nov, 2023

  • SSAN: 可分离自注意力网络用于视频表示学习

    该论文提出了一种分离的自注意力模块 (SSA)，通过分别建模空间和时间相关性，有效地将空间上下文信息用于时间建模，将该模块添加到 2D CNN 中形成 SSAN，用于视频表示学习，在 Something-Something 和 Kinetics-400 数据集上超过了现有最先进方法，在 MSR-VTT 和 Youcook2 数据集上得到了显著的性能提升。

    May, 2021

  • 基于空间和通道注意力的动态功能脑网络发现

    本文提出了一种空间和通道注意力自编码器（SCAAE），基于注意力机制来动态发现功能性脑网络 (FBNs)。实验结果表明，该方法可以在不使用滑动窗口的情况下有效地恢复 FBNs 在每个 fMRI 时间步的动态变化，同时避免了线性和独立性的限制，为更好地理解动态功能性脑网络提供了一种新方法。

    May, 2022

  • SCA-CNN：用于图像字幕的卷积网络中的空间和通道注意力

    本文介绍了一种新的卷积神经网络 SCA-CNN，其中引入了空间和通道注意力，用于图像描述任务，结果表明 SCA-CNN 明显优于现有的基于视觉关注的图像描述方法。

    Nov, 2016

  • CSA-Net：通道级空间自相关注意力网络

    该研究介绍了一种新颖的基于地理空间分析的通道相关的注意力机制，其能够在卷积神经网络中利用特征图之间的空间关系来产生有效的通道描述符，并验证了其在图像分类、目标检测和实例分割等多个任务和数据集上相对于其他先进的基于注意力的卷积神经网络的竞争性性能和优越性。

    May, 2024

  • 基于对比变分自动编码器提取的结构 MRI 特征的儿童孤独症谱系障碍分类

    本文探讨使用对比变分自编码器（CVAE）提取结构磁共振成像（s-MRI）特征进行儿童自闭症谱系障碍（ASD）机器分类的方法，数据来自深圳市儿童医院，使用转移学习策略提高预测精度，并针对不同大脑区域进行了神经解剖解释。

    Jul, 2023

  • 多维嵌入感知的模态融合变压器用于精神障碍分类

    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。

    Oct, 2023