BrainCL : Apprentissage contrastif de réseaux cérébraux basé sur Transformer avec topologie multi-ordre et masquage de saillanceBrainCL: Transformer-Based Brain Network Contrastive Learning with Multi-Order Topology and Salience Masking.
Cet article propose BrainCL, un cadre d'apprentissage contrastif pour améliorer l'analyse des réseaux cérébraux par Transformer à partir d'IRMf. Il introduit un Transformer sensible à la topologie multi-ordre (MoT-Former) utilisant une marche aléatoire préférentielle et une attention par saut pour capturer les interactions fonctionnelles multi-hop. Une stratégie de masquage dynamique basée sur la saillance force le modèle à exploiter un ensemble plus large de régions d'intérêt, et un apprentissage contrastif dual-level renforce l'invariance des représentations. Les résultats montrent une meilleure performance et généralisation inter-sites que les méthodes existantes.
BrainCL combine un Transformer sensible à la topologie multi-ordre (MoT-Former) avec un masquage dynamique de saillance pour améliorer l'analyse des réseaux cérébraux. Le MoT-Former intègre des biais topologiques multi-ordre via une marche aléatoire préférentielle et une attention par saut, capturant des interactions fonctionnelles complexes. La stratégie de masquage de saillance occlut délibérément les régions d'intérêt (ROI) saillantes pour forcer l'exploration d'autres ROI, améliorant la complétude des représentations. L'apprentissage contrastif dual-level promeut l'invariance des représentations et construit un espace de caractéristiques discriminatif pour les classes. BrainCL surpasse les méthodes de pointe sur des critères de performance et de généralisation inter-sites sur des données IRMf.
Pourrait améliorer la détection de biomarqueurs fonctionnels pour les troubles neurologiques en exploitant un ensemble plus large de régions cérébrales. Facilite l'analyse robuste d'IRMf multi-sites, utile pour les études cliniques multicentriques. Ouvre une perspective pour identifier de nouveaux biomarqueurs subtils habituellement négligés par les modèles existants.
L'approche n'est testée que sur des données IRMf son applicabilité à d'autres modalités de neuroimagerie n'est pas démontrée. La complexité computationnelle du modèle n'est pas évaluée, ce qui peut limiter son utilisation en pratique clinique. La généralisation à des troubles neurologiques spécifiques en dehors des jeux de données utilisés reste à confirmer.
Élevé