基于多样化隐蔽注意模式重建动态功能连接网络高阶序列特征用于阿尔茨海默病分类
图像与视频处理
2023-09-06 v2 计算机视觉与模式识别
神经元与认知
摘要
近期研究已将卷积循环神经网络（CRNs）和 Transformers 等深度学习方法应用于基于动态功能连接网络（dFCNs）的脑疾病分类，如阿尔茨海默病（AD），取得了优于传统机器学习方法的性能。然而，在 CRNs 中，用于获取高阶聚合特征的连续卷积操作可能由于卷积本质为局部元素的线性加权和而忽略不同脑区之间的非线性关联。受现代神经科学关于神经系统隐蔽注意研究的启发，我们引入 Transformers 的核心模块——自注意力机制，对多样化的隐蔽注意模式进行建模，并将这些模式应用于重建 dFCNs 的高阶序列特征，以学习脑信息流中的复杂动态变化。因此，我们提出了一种基于多样化隐蔽注意模式的新型 CRN 方法，DCA-CRN，其结合了 CRNs 在捕捉局部时空特征与序列变化模式方面的优势，以及 Transformers 在学习全局与高阶关联特征方面的优势。在 ADNI 和 ADHD-200 数据集上的实验结果证明了我们所提方法的预测性能与泛化能力。
引用
@article{arxiv.2211.11750,
title = {Reconstructing high-order sequence features of dynamic functional connectivity networks based on diversified covert attention patterns for Alzheimer's disease classification},
author = {Zhixiang Zhang and Biao Jie and Zhengdong Wang and Jie Zhou and Yang Yang},
journal= {arXiv preprint arXiv:2211.11750},
year = {2023}
}