TADM-CGAN：一种基于时间注意力驱动扩散模型和条件生成对抗网络的静息态到任务激活图预测框架

《Scientific Reports》：TADM-CGAN: a resting-state to task activation map prediction framework using temporal attention-driven diffusion models and conditional generative adversarial networks

　　

摘要

从静息态功能性磁共振成像（rs-fMRI）数据预测任务诱导的脑激活仍然是计算神经成像领域的一个重大挑战，主要原因是难以同时模拟内在神经活动的详细时间演变和高空间分辨率。现有大多数研究依赖于基于分块的建模方法，这些方法使用空间功能连接特征，但忽略了rs-fMRI信号中的长距离时间相互作用和非线性波动。为了克服这些限制，我们提出了TADM–CGAN，这是一种两阶段的、基于灰度坐标的级联架构，它可以直接从rs-fMRI时间序列中推断出任务激活图，充分利用了时间和空间特征。在第一阶段，采用多头时间注意力驱动的扩散模型（TADM）为每个灰度坐标生成紧凑的时间嵌入，捕捉整个rs-fMRI时间序列中的依赖关系。这些独特的时间特征随后作为输入，用于59,412个时间序列回归模型，从而实现对初步激活值的高度局部化、特定于灰度坐标的预测。在第二阶段，引入了条件生成对抗网络（PCA-CGAN），其中PCA将对抗性优化限制在低秩的、生物学上有意义的子空间内，而提出的激活保真度损失（AFL）机制则减少了噪声并增强了空间细节，从而提高了预测的准确性。这种级联框架在多种任务对比和数据集上的表现均优于以往的任务激活图预测方法，证明了其在实际应用中的鲁棒性和泛化能力。