《Neurocomputing》：Static-dynamic variability-aware brain network classification via attention-based interaction and fusion
编辑推荐：
静态功能脑网络（static functional brain network， sFBN）和动态功能脑网络（dynamic functional brain network， dFBN）分别从不同尺度刻画了大脑的功能状态。整合二者的互补信息已成为脑网络分类的
静态功能脑网络（static functional brain network， sFBN）和动态功能脑网络（dynamic functional brain network， dFBN）分别从不同尺度刻画了大脑的功能状态。整合二者的互补信息已成为脑网络分类的一个新兴方向。然而，现有大多数方法往往忽略了两种脑网络内部固有的变异性，从而未能在静态-动态交互与融合过程中充分利用互补信息。为解决此问题，研究人员提出一种基于注意力交互与融合的静态-动态变异性感知脑网络分类方法，该方法利用变异性调制的注意力机制来实现静态-动态交互与融合，主要包含三个阶段。在第一阶段，基于已构建的sFBN和dFBN，研究人员提出一个变异性计算模块（variability calculation module， VC），分别通过量化节点活动度和窗口波动性来获取节点变异性（node variability）和图变异性（graph variability）。在第二阶段，完成节点级特征提取后，研究人员提出一个节点级静态-动态特征交互模块（node-level static-dynamic feature interaction module），该模块利用节点变异性来调制交叉注意力（cross-attention）权重，从而强调高变异性节点中的互补信息。在第三阶段，完成图级特征提取后，研究人员提出一个图级静态-动态特征融合模块（graph-level static-dynamic feature fusion module），该模块利用图变异性来调制自注意力（self-attention）权重，从而聚焦于高变异性时间窗口中的判别性信息。在ABIDE I和ABIDE II数据集上的实验表明，所提出的方法分别取得了74.68%和73.98%的优越分类准确率。
脑部疾病给全球健康带来了沉重负担，有效的早期诊断在临床实践中仍面临挑战。功能脑网络（functional brain network， FBN）基于静息态功能磁共振成像（resting-state functional magnetic resonance imaging， rs-fMRI）数据构建，为分析大脑功能的组织模式和交互机制提供了基础。通过对FBN进行分析和分类，研究人员能够识别与自闭症谱系障碍（autism spectrum disorder， ASD）、注意力缺陷多动障碍（attention deficit hyperactivity disorder， ADHD）和阿尔茨海默病（Alzheimer’s disease， AD）等多种脑部疾病相关的异常功能模式。然而，如何从复杂的大脑活动中挖掘出具有判别性和稳定性的模式仍是一项艰巨任务。深度学习已广泛应用于FBN分类，从而实现了疾病诊断和生物标志物发现。尽管如此，如何充分利用FBN的复杂特性以进一步提升分类性能仍然值得探索。
目前，大多数研究围绕静态功能脑网络（sFBN）展开，该假设认为神经交互模式在整个fMRI扫描过程中是平稳的。例如，Zeng等人利用多中心脑网络分析揭示了精神分裂症中皮层-纹状体-小脑回路的功能障碍；Parisot等人利用图卷积网络（graph convolutional networks， GCNs）发现ASD患者社会认知网络中的长程连接显著减弱；Wu等人利用混合阶图卷积框架发现，整合多维定向交互能显著提升ADHD和ASD关键生物标志物的识别能力。然而，已有研究表明，大脑功能交互在扫描期间表现出显著的波动，这意味着将脑网络视为静态可能会导致关键信息丢失。因此，许多研究采用滑动窗口等技术将fMRI时间序列分割成多个时间窗口，构建动态功能脑网络（dFBN）用于分类。例如，Fu等人使用独立成分分析（Independent Component Analysis， ICA）发现ASD患者在特定功能状态下下丘脑/底丘脑与感觉网络之间的连接出现短暂增强，表明关键判别性信息可能存在于特定的高变异性片段中。Perviaz等人利用多动态建模揭示了静息态功能连接具有较强的时间变异性，进一步支持了大脑网络并非静态结构，而是在多个动态状态下持续重组的观点。然而，dFBN无法完全代表整个扫描过程中的稳定功能交互模式，并可能引入冗余信息或噪声。
随着对sFBN和dFBN在脑网络分类与分析方面研究的深入，研究人员认识到它们在刻画大脑功能异常方面具有互补特征。为了充分利用静态和动态信息，一些研究开始联合使用sFBN和dFBN进行脑网络分类。早期研究通常分别提取sFBN和dFBN的特征。例如，Kam等人开发了一个3D-CNN框架来独立捕获sFBN和dFBN的表征，并在最后阶段将其拼接用于分类，在eMCI诊断中取得了优异性能。这种方法有效利用了静态-动态信息，但在学习过程中忽略了静态与动态特征之间潜在的关联。为解决此局限，后续方法引入了sFBN和dFBN之间的特征交互。Huang等人设计了一个静态-动态双路径CNN，通过扩散交互实现了不同拓扑特征提取层间静态与动态特征的交互。尽管该方法增强了信息交换，但最终诊断仍依赖于简单的特征拼接，未能充分挖掘dFBN的复杂时序特性。近期，Zhou等人将Transformer引入双路径框架，对多层级静态-动态特征进行互补的剪枝与嫁接。通过充分挖掘并自适应地融合两种脑网络固有的互补信息，该方法在多种脑疾病上取得了出色的分类性能。尽管这些研究取得了积极进展，但现有方法通常忽略了FBN内部固有的变异性，并对其赋予相同的重要性，这导致了冗余信息和次优的分类性能。具体而言，在特征交互过程中，现有方法通常对所有脑区赋予相同的重要性，这限制了从高变异性区域提取关键特征。其次，在静态-动态特征融合过程中，现有方法通常平等对待所有dFBN窗口和sFBN，导致高变异性窗口内的判别性信息被低变异性窗口和静态特征所掩盖。
为解决这些问题，研究人员提出一种基于注意力交互与融合的静态-动态变异性感知脑网络分类方法，称为VA-SDNet，该方法包含三个阶段。具体而言，首先，通过计算来自血氧水平依赖（Blood-Oxygen-Level-Dependent， BOLD）信号的Pearson相关系数来构建sFBN和dFBN，其中sFBN使用整个信号序列，而dFBN采用滑动窗口技术。在此基础上，研究人员提出一个变异性计算模块（variability calculation module， VC），分别通过量化节点活动度和窗口波动性来获取节点变异性（node variability）和图变异性（graph variability）。其次，在通过边到节点（Edge-to-Node， E2N）层提取静态和动态节点级特征后，研究人员提出一个节点级静态-动态特征交互模块（node-level static-dynamic feature interaction module），该模块采用由节点变异性调制的变异性感知交叉注意力（variability-aware cross-attention）机制，使模块能够在节点级特征交互过程中强调来自高变异性节点的信息。第三，在通过节点到图（Node-to-Graph， N2G）层提取静态和动态图级特征后，研究人员提出一个图级静态-动态特征融合模块（graph-level static-dynamic feature fusion module），该模块采用由图变异性调制的变异性感知自注意力（variability-aware self-attention）机制，使模型能够在图级特征融合过程中聚焦于来自高变异性时间窗口的信息，之后将融合后的特征用于分类。在ABIDE I和ABIDE II数据集上的实验表明，该方法取得了令人期待的结果。
本文的主要贡献总结如下：1) 提出了一种基于注意力交互与融合的静态-动态变异性感知脑网络分类方法，通过计算和利用静态与动态脑网络内部的变异性信息，为静态-动态特征的交互与融合提供先验。2) 设计了一个基于交叉注意力机制的节点级静态-动态特征交互模块。该模块在节点变异性的调制下，利用交叉注意力聚焦于高变异性及稳定脑区中的静态-动态互补信息。3) 设计了一个基于自注意力机制的图级静态-动态特征融合模块。该模块在图变异性的调制下，利用自注意力聚焦于高变异性时间窗口中的判别性信息。4) 在真实世界数据集ABIDE I和ABIDE II上进行了大量实验。结果表明，与现有方法相比，该方法取得了优越的分类性能。
