Novel deep learning approaches for functional MRI data analysis

Fonksiyonel MRI (fMRI), beyin aktivitesini analiz etme yeteneğimizi devrim niteliğinde artırmış ve yüksek boyutlu, zaman serisi verilerine dair içgörüler sunmuştur. Gelişmelere rağmen, mevcut yöntemler genellikle farklı zaman ölçeklerinde bağlamsal temsilleri etkili bir şekilde yakalama ve elde edilen verileri yorumlama konusunda yetersiz kalmaktadır. Bu zorlukları ele alarak, bu tez üç yenilikçi yaklaşım sunmaktadır: BolT, GraphCorr ve DreaMR. Her biri fMRI verilerinin analizini ve yorumlanabilirliğini artırmayı hedeflemektedir. BolT, fMRI zaman serilerini modellemede önemli bir ilerlemeyi temsil eder ve kan-serbest oksijen seviyesine bağlı (BOLD) bir transformer mimarisi kullanır. Bu model, zamanla örtüşen pencereleri işleyerek ve pencere arası düzenleme uygulayarak hem yerel hem de küresel temsilleri çıkaran yenilikçi bir füzyonlu pencere dikkat mekanizması içerir. BolT'nin yaklaşımı, mevcut yöntemleri geliştirir, hassasiyeti artırır ve kapsamlı deneylerle önemli nörobilimsel bulgularla uyum sağlar. GraphCorr, sınıflandırma modellerinde kullanılan statik fonksiyonel bağlantı (FC) özelliklerindeki sınırlamaları ele alır ve bir grafik sinir ağı tabanlı eklenti sunar. Bu yöntem, dinamik gizli FC özelliklerini boyutsal verimliliği koruyarak yakalar ve zaman bilgilerini rafine etmek için bir düğüm gömme ve gecikme filtresi modülü kullanır. Bu özelliklerin mesaj iletimi algoritması aracılığıyla entegrasyonu, temel sınıflandırma modellerinin performansını önemli ölçüde artırır ve kamu veri setlerinde kapsamlı testlerle gösterilmiştir. Son olarak, DreaMR, derin fMRI sınıflandırıcılarının yorumlanabilirliğini yenilikçi bir difüzyon destekli karşı-faktüel yaklaşımıyla ele alır. DreaMR, fraksiyonel çok-aşamalı damıtılmış difüzyon kullanarak yüksek-fideliteli karşı-faktüel örnekler üretir ve uzun menzilli uzaysal-zamansal bağlamları hesaba katmak için bir transformer mimarisi kullanır. Bu yöntem, geleneksel karşı-faktüel teknikleri hem fidelite hem de verimlilik açısından geride bırakır ve sınıflandırıcı kararlarının daha hassas ve eyleme geçirilebilir bir açıklamasını sunar. Bu katkılar, fMRI analizini model performansını ve yorumlanabilirliğini geliştirerek ilerletir ve daha etkili ve içgörülü nörogörüntüleme araştırmalarını kolaylaştırır.