Brain Effective Connectivity Estimation via Fourier Spatiotemporal Attention

📄 arXiv: 2503.11283v1 📥 PDF

作者: Wen Xiong, Jinduo Liu, Junzhong Ji, Fenglong Ma

分类: cs.LG

发布日期: 2025-03-14

💡 一句话要点

提出基于傅里叶时空注意力的FSTA-EC方法，用于提升脑功能磁共振成像有效连接估计的准确性。

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 脑有效连接估计 功能磁共振成像 傅里叶注意力 时空注意力 深度学习 神经科学 脑网络

📋 核心要点

  1. 现有方法在处理fMRI数据时，通常独立处理时间和空间注意力，忽略了数据中固有的时空相关性，导致有效连接估计精度受限。
  2. 论文提出FSTA-EC方法，通过结合傅里叶注意力和时空注意力，在频域和时域同时捕获fMRI数据的时空动态依赖关系，实现有效去噪。
  3. 实验结果表明，FSTA-EC在模拟和真实fMRI数据集上均优于现有方法，证明了其在脑有效连接估计方面的有效性。

📝 摘要（中文）

本研究提出了一种基于傅里叶时空注意力(FSTA-EC)的脑有效连接估计新方法，旨在从功能磁共振成像(fMRI)数据中提取大脑有效连接(EC)，从而帮助理解人类行为和认知背后的神经机制，并为疾病诊断提供基础。现有的时空注意力模块通常独立处理时间和空间注意力，忽略了真实fMRI数据中固有的时空相关性，且fMRI数据中的噪声会限制现有方法的性能。FSTA-EC结合了傅里叶注意力和时空注意力，能够同时捕获高噪声fMRI数据中的序列间（空间）动态和序列内（时间）依赖性。具体来说，傅里叶注意力旨在将高噪声fMRI数据转换到频域，并映射回物理域以进行去噪，而时空注意力则被设计为同时学习时空动态。此外，通过一系列证明，表明将可学习滤波器融入快速傅里叶变换和逆快速傅里叶变换过程在数学上等同于执行循环卷积。在模拟和真实静息态fMRI数据集上的实验结果表明，与最先进的方法相比，所提出的方法表现出更优越的性能。

🔬 方法详解

问题定义：论文旨在解决从高噪声fMRI数据中准确估计大脑有效连接(EC)的问题。现有方法主要痛点在于：1) 忽略了fMRI数据中固有的时空相关性；2) 对噪声敏感，导致EC估计精度下降。

核心思路：论文的核心思路是利用傅里叶变换将fMRI数据转换到频域，在频域进行去噪，然后通过逆傅里叶变换回到时域，再结合时空注意力机制，同时学习空间和时间上的依赖关系。这样设计的目的是利用傅里叶变换的特性来降低噪声的影响，并同时捕捉时空信息。

技术框架：FSTA-EC方法的整体框架包括以下几个主要模块：1) 傅里叶注意力模块：将fMRI数据转换到频域，进行滤波去噪，然后转换回时域。2) 时空注意力模块：同时学习空间和时间上的依赖关系。3) 有效连接估计模块：基于学习到的时空特征，估计大脑区域之间的有效连接。整个流程首先通过傅里叶注意力进行预处理，然后利用时空注意力提取特征，最后进行有效连接估计。

关键创新：论文最重要的技术创新点在于提出了傅里叶时空注意力机制(FSTA)。与传统方法分别处理时间和空间注意力不同，FSTA能够同时捕捉时空动态依赖关系。此外，论文证明了将可学习滤波器融入快速傅里叶变换和逆快速傅里叶变换过程在数学上等同于执行循环卷积，为该方法的有效性提供了理论支撑。

关键设计：在傅里叶注意力模块中，使用了可学习的滤波器，这些滤波器通过训练来适应fMRI数据的噪声特性。在时空注意力模块中，采用了并行的方式同时学习空间和时间上的注意力权重。损失函数的设计目标是最小化估计的有效连接与真实有效连接之间的差异。网络结构方面，采用了多层感知机(MLP)来学习空间和时间上的依赖关系。

📊 实验亮点

实验结果表明，FSTA-EC方法在模拟和真实静息态fMRI数据集上均取得了优于现有方法的性能。在模拟数据集上，FSTA-EC能够更准确地恢复真实的有效连接模式。在真实数据集上，FSTA-EC在多个指标上均优于对比方法，例如在连接强度估计的准确性和鲁棒性方面。具体提升幅度未知，但论文强调了其优越性。

🎯 应用场景

该研究成果可应用于神经科学领域，帮助研究人员更深入地理解大脑功能连接的神经机制，例如认知过程、情绪调节等。此外，该方法还可用于辅助诊断神经系统疾病，如阿尔茨海默病、精神分裂症等，通过分析患者的脑功能连接模式，为疾病的早期诊断和治疗提供依据。未来，该技术有望应用于个性化医疗，根据个体脑功能连接特征制定更有效的治疗方案。

📄 摘要（原文）

Estimating brain effective connectivity (EC) from functional magnetic resonance imaging (fMRI) data can aid in comprehending the neural mechanisms underlying human behavior and cognition, providing a foundation for disease diagnosis. However, current spatiotemporal attention modules handle temporal and spatial attention separately, extracting temporal and spatial features either sequentially or in parallel. These approaches overlook the inherent spatiotemporal correlations present in real world fMRI data. Additionally, the presence of noise in fMRI data further limits the performance of existing methods. In this paper, we propose a novel brain effective connectivity estimation method based on Fourier spatiotemporal attention (FSTA-EC), which combines Fourier attention and spatiotemporal attention to simultaneously capture inter-series (spatial) dynamics and intra-series (temporal) dependencies from high-noise fMRI data. Specifically, Fourier attention is designed to convert the high-noise fMRI data to frequency domain, and map the denoised fMRI data back to physical domain, and spatiotemporal attention is crafted to simultaneously learn spatiotemporal dynamics. Furthermore, through a series of proofs, we demonstrate that incorporating learnable filter into fast Fourier transform and inverse fast Fourier transform processes is mathematically equivalent to performing cyclic convolution. The experimental results on simulated and real-resting-state fMRI datasets demonstrate that the proposed method exhibits superior performance when compared to state-of-the-art methods.