预训练即所需：一种用于自闭症谱系障碍分类的多图谱增强Transformer框架
计算机视觉与模式识别
2023-08-08 v2 机器学习
图像与视频处理
摘要
自闭症谱系障碍（ASD）是一种以非典型认知、情绪和社交模式为特征的常见精神疾病。及时准确的诊断对于ASD个体的有效干预和改善预后至关重要。在本研究中，我们提出一种新颖的多图谱增强Transformer框架METAFormer，用于ASD分类。我们的框架利用来自ABIDE I数据集的静息态功能磁共振成像数据，包含406名ASD受试者和476名典型对照（TC）受试者。METAFormer采用多图谱方法，将来自AAL、CC200和DOS160图谱的扁平化连接矩阵作为Transformer编码器的输入。值得注意的是，我们证明，涉及从输入中重建被掩蔽值的自监督预训练，在无需额外或独立训练数据的情况下显著提升了分类性能。通过分层交叉验证，我们评估了所提出的框架，并表明其在ABIDE I数据集上超越了最先进的性能，平均准确率为83.7%，AUC得分为0.832。我们的框架代码可在 https://github.com/Lugges991/METAFormer 获取。
引用
@article{arxiv.2307.01759,
title = {Pretraining is All You Need: A Multi-Atlas Enhanced Transformer Framework for Autism Spectrum Disorder Classification},
author = {Lucas Mahler and Qi Wang and Julius Steiglechner and Florian Birk and Samuel Heczko and Klaus Scheffler and Gabriele Lohmann},
journal= {arXiv preprint arXiv:2307.01759},
year = {2023}
}