Employing transformer encoders for enhanced functional connectivity mapping
Date
Authors
Editor(s)
Advisor
Supervisor
Co-Advisor
Co-Supervisor
Instructor
BUIR Usage Stats
views
downloads
Citation Stats
Series
Abstract
Functional magnetic resonance imaging (fMRI) provides a way to spatially and temporally map brain activity, making it a crucial tool in many advanced psychology and neuroscience studies. A variety of techniques are suggested to analyze the four-dimensional data produced by fMRI scans. When it comes to classification tasks, the most prevalent method involves examining functional connectivity. This process involves dividing the brain volume into separate regions and determining the correlation between the series of events occurring over time in these regions. While deep graph models and deep convolutional models are frequently employed to process functional connectivity, these methods can sometimes overcomplicate the procedure. In contrast, we present a straightforward approach that utilizes transformer encoders to map functional connectivity to labels. Our method demonstrates superior performance in gender classification tasks when compared to existing deep graph and convolution models. We've validated this on two publicly accessible datasets.
Fonksiyonel manyetik rezonans görüntüleme (fMRG), beyin aktivitesini mekansal ve zamanlı olarak kaydetmeyi sağlar ve bu nedenle birçok ileri düzey psikoloji ve nörobilim araştırmasının merkezinde yer alır. fMRG taramaları tarafından sağlanan dört boyutlu verileri işlemek için birçok yöntem önerilmiştir. Sınıflandırma görevleri söz konusu olduğunda, en yaygın yaklaşım, fonksiyonel bağlantıyı analiz etmektir. Bu süreç, beyin hacminin bölge bölge ayrılmasını ve bu bölgeler arasındaki zaman serilerinin korelasyonunun hesaplanmasını içerir. Fonksiyonel bağlantının işlenmesinde yaygın bir yol, süreci gereğinden karmaşık hale getirebilecek derin grafik modelleri veya derin evrişim modellerini kullanmaktır. Biz burada, fonksiyonel bağlantıyı etiketlere haritalamak için dönüştürücü kodlayıcıları kullanan basit bir yol öneriyoruz. Yöntemimizin, cinsiyet sınıflandırma görevlerinde, mevcut derin grafik ve evrişim modellerine göre daha üstün performansa sahip olduğunu gösteriyoruz. Bu, iki adet halka açık veri kümesinde doğrulanmıştır.