ترجمه فارسی مقاله وظایف پیش‌آموزشی تحت نظارت خود برای یک مبدل سری زمانی fMRI در تشخیص اوتیسم

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Self-Supervised Pre-training Tasks for an fMRI Time-series Transformer in Autism Detection
عنوان مقاله به فارسی وظایف پیش‌آموزشی تحت نظارت خود برای یک مبدل سری زمانی fMRI در تشخیص اوتیسم
نویسندگان Yinchi Zhou, Peiyu Duan, Yuexi Du, Nicha C. Dvornek
فرمت مقاله انگلیسی PDF
تعداد صفحات 11
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Computer Vision and Pattern Recognition,چشم انداز رایانه و تشخیص الگوی ,
توضیحات Submitted 18 September, 2024; originally announced September 2024.
توضیحات به فارسی ارائه شده در 18 سپتامبر 2024 ؛در ابتدا سپتامبر 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Autism Spectrum Disorder (ASD) is a neurodevelopmental condition that encompasses a wide variety of symptoms and degrees of impairment, which makes the diagnosis and treatment challenging. Functional magnetic resonance imaging (fMRI) has been extensively used to study brain activity in ASD, and machine learning methods have been applied to analyze resting state fMRI (rs-fMRI) data. However, fewer studies have explored the recent transformer-based models on rs-fMRI data. Given the superiority of transformer models in capturing long-range dependencies in sequence data, we have developed a transformer-based self-supervised framework that directly analyzes time-series fMRI data without computing functional connectivity. To address over-fitting in small datasets and enhance the model performance, we propose self-supervised pre-training tasks to reconstruct the randomly masked fMRI time-series data, investigating the effects of various masking strategies. We then finetune the model for the ASD classification task and evaluate it using two public datasets and five-fold cross-validation with different amounts of training data. The experiments show that randomly masking entire ROIs gives better model performance than randomly masking time points in the pre-training step, resulting in an average improvement of 10.8% for AUC and 9.3% for subject accuracy compared with the transformer model trained from scratch across different levels of training data availability. Our code is available on GitHub.

چکیده به فارسی (ترجمه ماشینی)

اختلال طیف اوتیسم (ASD) یک وضعیت عصبی توسعه است که شامل طیف گسترده ای از علائم و درجه های اختلال می شود و این باعث می شود تشخیص و درمان به چالش کشیده شود.تصویربرداری رزونانس مغناطیسی عملکردی (FMRI) به طور گسترده ای برای مطالعه فعالیت مغز در ASD مورد استفاده قرار گرفته است ، و روش های یادگیری ماشین برای تجزیه و تحلیل داده های حالت استراحت FMRI (RS-FMRI) استفاده شده است.با این حال ، مطالعات کمتری مدل های اخیر مبتنی بر ترانسفورماتور را بر روی داده های RS-FMRI بررسی کرده اند.با توجه به برتری مدل های ترانسفورماتور در ضبط وابستگی های دوربرد در داده های توالی ، ما یک چارچوب خودکشی مبتنی بر ترانسفورماتور ایجاد کرده ایم که مستقیماً داده های سری زمانی FMRI را بدون محاسبه اتصال عملکردی تجزیه و تحلیل می کند.برای پرداختن به بیش از حد در مجموعه داده های کوچک و تقویت عملکرد مدل ، ما کارهای قبل از آموزش خود را برای بازسازی داده های سری زمانی FMRI که به طور تصادفی نقاب دار شده اند ، پیشنهاد می کنیم و در مورد تأثیر استراتژی های مختلف نقاب سازی بررسی می کنیم.ما سپس مدل را برای کار طبقه بندی ASD به دست می آوریم و آن را با استفاده از دو مجموعه داده عمومی و اعتبار سنجی متقابل پنج برابر با مقادیر مختلف داده های آموزشی ارزیابی می کنیم.آزمایشات نشان می دهد که ماسک زدن به طور تصادفی کل ROI عملکرد مدل بهتری نسبت به نقاط زمانی تصادفی در مرحله قبل از آموزش می دهد ، و در نتیجه بهبود متوسط ​​10.8 ٪ برای AUC و 9.3 ٪ برای دقت موضوع در مقایسه با مدل ترانسفورماتور که از ابتدا آموزش داده شده استسطح در دسترس بودن داده های آموزش.کد ما در GitHub موجود است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.