Employing transformer encoders for enhanced functional connectivity mapping

Simple item page
buir.contributor.authorBedel, Hasan Atakan
buir.contributor.authorÇukur, Tolga
buir.contributor.orcidBedel, Hasan Atakan|0000-0001-5363-0610
buir.contributor.orcidÇukur, Tolga|0000-0002-2296-851X
dc.citation.epage4en_US
dc.citation.spage1
dc.contributor.authorBedel, Hasan Atakan
dc.contributor.authorÇukur, Tolga
dc.coverage.spatialİstanbul, Türkiye
dc.date.accessioned2024-03-25T08:27:28Z
dc.date.available2024-03-25T08:27:28Z
dc.date.issued2023-08-28
dc.departmentDepartment of Electrical and Electronics Engineering
dc.descriptionDate of Conference: 05-08 July 2023
dc.descriptionConference Name: 31st IEEE Conference on Signal Processing and Communications Applications, SIU 2023
dc.description.abstractFunctional 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.
dc.description.abstractFonksiyonel 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.
dc.identifier.doi10.1109/SIU59756.2023.10223897
dc.identifier.eisbn9798350343557
dc.identifier.isbn9798350343564
dc.identifier.issn2165-0608
dc.identifier.urihttps://hdl.handle.net/11693/115111
dc.language.isoTurkish
dc.publisherIEEE - Institute of Electrical and Electronics Engineers
dc.relation.isversionofhttps://dx.doi.org/10.1109/SIU59756.2023.10223897
dc.source.title2023 31st Signal Processing and Communications Applications Conference (SIU 2023)
dc.subjectfMRI
dc.subjectDeep learning
dc.subjectTransformer
dc.subjectfMRG
dc.subjectDerin öğrenme
dc.subjectDönüştürücü
dc.titleEmploying transformer encoders for enhanced functional connectivity mapping
dc.title.alternativeİyileştirilmiş fonksiyonel bağlantı haritalaması için dönüştürücü kodlayıcılarının kullanılması
dc.typeConference Paper

Files

Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
Employing_transformer_encoders_for_enhanced_functional_connectivity_mapping.pdf
Size:
526.13 KB
Format:
Adobe Portable Document Format
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
2.01 KB
Format:
Item-specific license agreed upon to submission
Description:
Download

Collections

Department of Electrical and Electronics Engineering