面向 fMRI 连接组自闭症预测的社区感知 Transformer
神经元与认知
2023-07-21 v1 机器学习
图像与视频处理
摘要
自闭症谱系障碍(ASD)是一种影响社会交往与行为的终身神经发育疾病。基于功能磁共振成像(fMRI)的脑功能连接组研究有助于理解与诊断 ASD，从而带来更有效的治疗。大脑被建模为脑感兴趣区域(ROI)的网络，ROI 形成社区，而这些社区的知识对 ASD 诊断至关重要。一方面，基于 Transformer 的模型已在包括 fMRI 连接组分析在内的多项任务中被证明极为有效，能够学习有用的 ROI 表征。另一方面，现有基于 transformer 的模型在学习节点嵌入时平等对待所有 ROI，忽视了社区特异性关联的影响。为填补这一空白，我们提出一种新方法 Com-BrainTF，一种分层局部-全局 transformer 架构，可学习用于 ASD 预测任务的社区内与社区间感知节点嵌入。此外，我们通过为不同社区共享局部 transformer 参数、但为每个社区优化独特的可学习提示令牌，避免了过度参数化。我们的模型在 ABIDE 数据集上优于最先进(SOTA)架构，且具备高可解释性，这从注意力模块中可见一斑。我们的代码见 https://github.com/ubc-tea/Com-BrainTF。
引用
@article{arxiv.2307.10181,
title = {Community-Aware Transformer for Autism Prediction in fMRI Connectome},
author = {Anushree Bannadabhavi and Soojin Lee and Wenlong Deng and Xiaoxiao Li},
journal= {arXiv preprint arXiv:2307.10181},
year = {2023}
}
备注
Accepted by 26th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2023)