MCDGLN：用于自闭症谱系障碍的基于掩码连接的动态图学习网络

自闭症谱系障碍（ASD）是一种以复杂生理过程为特征的神经发育障碍。以往的研究主要集中于静态大脑交互，往往忽略了大脑的动态特性以及网络噪声带来的挑战。为解决这些不足，我们引入了基于掩码连接的动态图学习网络（MCDGLN）。我们的方法首先使用滑动时间窗分割BOLD信号以捕捉动态大脑特征。然后，我们采用一个专门的加权边聚合（WEA）模块，该模块利用带有逐通道逐元素卷积核的交叉卷积，来整合动态功能连接并隔离任务相关连接。随后，通过层次图卷积网络（HGCN）进行拓扑特征提取，并由自注意力模块突出关键属性。至关重要的是，我们使用一个定制的任务特定掩码来精炼静态功能连接，从而减少噪声并剪枝不相关的链接。接着，基于注意力的连接编码器（ACE）增强关键连接并压缩静态特征。组合后的特征随后用于分类。应用于自闭症脑成像数据交换I（ABIDE I）数据集，我们的框架在1,035名受试者中实现了73.3%的ASD与典型对照组（TC）分类准确率。WEA和ACE在精炼连接和提高分类准确率方面的关键作用，突显了它们在捕获ASD特异性特征方面的重要性，为该障碍提供了新的见解。