【技术实现步骤摘要】
本专利技术属于精神医学、医学影像分析和机器学习交叉领域，具体涉及到一种基于transformer模型的纵向神经影像数据建模与特征聚类方法，适用于多时间点脑影像数据的结构化表示和模式挖掘。
技术介绍
1、精神疾病具有高度的临床表现和生物学异质性，这使得其诊断和治疗面临诸多挑战。现有研究多侧重于症状学特征的分组，然而这种基于主观信息的分组方式缺乏对潜在神经生物学过程的动态刻画，未能深入探讨疾病的内在机制及其发展轨迹。因此，基于症状的划分虽然有助于疾病的分析和治疗，但在精神疾病基础研究和机制探索中往往成为主要瓶颈，也限制了精准医学目标的实施。
2、另一方面，以往的横断面研究表明，不同的精神疾病患者可能具有独特的潜在生物学机制，这些机制并非静态不变的，而是在疾病治疗过程中动态变化。更为重要的是，精神疾病在不同个体中的发育轨迹也可能存在差异。例如，大脑在疾病进程中发生的结构和功能的变化与临床症状的改变密切相关，这表明深入理解这些变化对于改善治疗效果和预测疾病治疗进程至关重要。因此，从神经影像学角度出发，提取反映疾病演变的特征模式，不仅...
【技术保护点】
1.一种基于Transformer模型的纵向神经影像数据建模与特征聚类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于Transformer模型的纵向神经影像数据建模与特征聚类方法，其特征在于，步骤S1中获取被试三个时间点的纵向神经影像数据，并转化为大脑功能连接矩阵，计算相邻时间点大脑功能连接矩阵之间的二阶差分关系，以生成二阶差分大脑网络；具体为：
3.根据权利要求1所述的基于Transformer模型的纵向神经影像数据建模与特征聚类方法，其特征在于，步骤S2中使用了Yeo-7网络图谱将大脑功能连接矩阵划分为7个静息状态子网络，分...
【技术特征摘要】
1.一种基于transformer模型的纵向神经影像数据建模与特征聚类方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于transformer模型的纵向神经影像数据建模与特征聚类方法，其特征在于，步骤s1中获取被试三个时间点的纵向神经影像数据，并转化为大脑功能连接矩阵，计算相邻时间点大脑功能连接矩阵之间的二阶差分关系，以生成二阶差分大脑网络；具体为：
3.根据权利要求1所述的基于transformer模型的纵向神经影像数据建模与特征聚类方法，其特征在于，步骤s2中使用了yeo-7网络图谱将大脑功能连接矩阵划分为7个静息状态子网络，分别为视觉网络vis、躯体运动网络smn、背侧注意网络dan、腹侧注意网络van、边缘网络lim、额顶网络fpn和默认模式网络dmn；
4.根据权利要求1所述的基于transformer模型的纵向神经影像数据建模与特征聚类方法，其特征在于，步骤s3中编码器，包括一个图卷积运算、一个交互注意运算，以及聚合函数；利用编码器将第s位被试的第p个子网络的二阶差分大脑网络映射到高维空间，表示为；具体包括：
5.根据权利要求4所述的基于transformer模型的纵向神经影像数据建模与特征聚类方法，其特征在于，步骤s4中构建包含多个记忆向量的记忆库，将被试交互嵌入向量与记忆向量进行匹配，得到...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。