Framework basato sull'attenzione per la classificazione dell'Alzheimer tramite rs-fMRI
Un nuovo framework di deep learning utilizza meccanismi di attenzione per classificare la malattia di Alzheimer direttamente dalle matrici di connettività funzionale della risonanza magnetica funzionale a riposo (rs-fMRI). Trattando le regioni cerebrali come token e applicando l'auto-attenzione ispirata ai Transformer, il modello cattura le dipendenze funzionali a lungo raggio attraverso reti cerebrali distribuite senza ingegneria manuale delle caratteristiche. L'approccio affronta le sfide dell'alta dimensionalità, del rumore e della complessa connettività interregionale nei dati rs-fMRI. Il framework è stato valutato su una coorte longitudinale della Alzheimer's Disease Neuroimaging Initiative (ADNI).
Fatti principali
- Framework di deep learning basato sull'attenzione per la classificazione della malattia di Alzheimer
- Opera direttamente sulle matrici di connettività funzionale rs-fMRI
- Tratta le regioni cerebrali come token
- Utilizza un meccanismo di auto-attenzione ispirato ai Transformer
- Modella le dipendenze funzionali a lungo raggio e globali
- Nessuna dipendenza dall'ingegneria manuale delle caratteristiche
- Valutato su una coorte longitudinale dell'ADNI
- Affronta l'alta dimensionalità, il rumore e le complesse dipendenze interregionali
Entità
Istituzioni
- Alzheimer's Disease Neuroimaging Initiative (ADNI)