目前自闭症功能磁共振(functional magnetic resonance imaging,fMRI)图像分类模型在跨多个机构的数据集下分类精度较低,难以应用到自闭症的诊断工作中。为此,本文提出了一种基于Transformer的自闭症分类模型(autism spectrum disorder ...目前自闭症功能磁共振(functional magnetic resonance imaging,fMRI)图像分类模型在跨多个机构的数据集下分类精度较低,难以应用到自闭症的诊断工作中。为此,本文提出了一种基于Transformer的自闭症分类模型(autism spectrum disorder classification model based on Transformer,TransASD)。首先采用脑图谱模板提取fMRI数据中的时间序列输入Transformer模型,并引入一种重叠窗口注意力机制,能够更好地捕捉异构数据的局部与全局特征。其次,提出了一个跨窗口正则化方法作为额外的损失项,使模型可以更加准确地聚焦于重要的特征。本文使用该模型在公开的自闭症数据集ABIDE上进行实验,在10折交叉验证法下得到了71.44%的准确率,该模型对比其他先进算法模型取得了更好的分类效果。展开更多
文摘目前自闭症功能磁共振(functional magnetic resonance imaging,fMRI)图像分类模型在跨多个机构的数据集下分类精度较低,难以应用到自闭症的诊断工作中。为此,本文提出了一种基于Transformer的自闭症分类模型(autism spectrum disorder classification model based on Transformer,TransASD)。首先采用脑图谱模板提取fMRI数据中的时间序列输入Transformer模型,并引入一种重叠窗口注意力机制,能够更好地捕捉异构数据的局部与全局特征。其次,提出了一个跨窗口正则化方法作为额外的损失项,使模型可以更加准确地聚焦于重要的特征。本文使用该模型在公开的自闭症数据集ABIDE上进行实验,在10折交叉验证法下得到了71.44%的准确率,该模型对比其他先进算法模型取得了更好的分类效果。
