面向大脑功能连接表示学习的网络感知双线性分词

掩码自编码器（MAEs）近期在静息态大脑功能连接（FC）的自监督表示学习中展现出潜力。然而，一个基本问题仍未解决：FC 矩阵应如何分词以与大规模大脑网络的内在模块化组织对齐？现有方法通常采用以区域为中心或基于图的方案，将 FC 视为结构上同构的元素，并忽略了大规模网络的大脑组织。我们引入了 NERVE（通过双线性分词的大脑功能连接网络感知表示），这是一个自监督学习框架，通过将 FC 矩阵划分为网络内和网络间连接块的块来重新定义 FC 分词。与基于图像的 MAE 中固定大小的块共享同一个分词器不同，由网络对定义的 FC 块在大小上是异构的，并对应不同的功能角色。为解决这一问题，NERVE 通过一种新颖的结构化双线性分解来嵌入 FC 块。该公式化保留了网络身份，并将参数复杂度从网络数量的二次缩放降低至线性缩放。我们在三个大规模发育队列（ABCD、PNC 和 CCNP）上对 NERVE 进行了行为与精神病理学预测的评估。与结构不可知的 MAE 变体和基于图的自监督基线相比，所提出的网络感知公式化产生了更稳定且可迁移的表示，特别是在跨队列评估中。消融研究证实，所提出的双线性网络嵌入和解剖学基础的分区对性能至关重要。这些发现突出了将领域特定结构先验纳入功能连接组学自监督学习的重要性。代码获取地址：https://github.com/leomlck/NERVE。