NEDA-Net：一种基于社区信息增强机制的可变形注意力网络，用于功能性磁共振成像（fMRI）脑疾病分类

《Expert Systems with Applications》：NEDA-Net: A Neighborhood-Enhanced Deformable Attention Network for fMRI Brain Disease Classification

动态功能连接与邻域增强可变形注意力网络构建用于脑疾病分类，通过分层交替的局部邻域注意力和全局可变形注意力模块，实现多尺度时空特征高效提取，兼顾计算效率与分类精度，并在三个大规模fMRI数据集上验证有效性。

　　

梁胤|杨晓颖|刘波

北京工业大学计算机科学学院，北京，100124，中国

摘要

精神障碍的快速准确诊断仍然是人工智能领域的一个关键挑战。尽管注意力机制在捕捉大脑网络中的长距离依赖性方面显示出潜力，但大多数现有方法依赖于全局注意力计算，鉴于功能性磁共振成像（fMRI）数据的高维特性，这种计算方式非常耗时。为了解决这个问题，本研究构建了动态功能连接（dFC）模式，并提出了一种新颖的邻域增强型可变形注意力网络（NEDA-Net）用于脑疾病分类。具体来说，我们设计了邻域注意力模块和可变形注意力模块，前者专注于捕捉dFC模式中的局部空间依赖性，后者灵活地模拟长距离的非局部相互作用，以捕捉大脑网络中的长距离依赖性。通过交替使用这两个模块，NEDA-Net可以从细粒度到全局级别逐步提取时空特征。与传统的全局注意力模型相比，这种设计在增强特征表示能力的同时显著降低了计算成本。此外，该模型还调整了不同网络层之间的特征图维度，形成了一个层次化的多尺度特征提取机制。在三个大规模fMRI数据集上的系统实验表明，NEDA-Net在不同脑疾病和预处理流程中均取得了最佳的分类性能，优于各种最先进的分类方法。该模型在分类准确性和计算效率之间取得了更好的平衡。我们还确定了与脑疾病分类相关的关键脑区和神经连接。所提出的模型有效地学习和整合了fMRI数据中的局部相互作用和长距离依赖性，为提高计算机辅助脑疾病分类的性能提供了一种有前景的新方法。

引言

人脑是一个复杂的器官，其功能结构在多个空间和时间尺度上运作。在神经影像学方法中，功能性磁共振成像（fMRI）已成为神经科学研究中广泛采用的技术。考虑到大脑的复杂组织和功能，量化不同脑区之间功能相互作用的功能连接（FC）分析已成为分析fMRI数据的主要方法。先前的研究表明，异常的FC模式与各种神经精神障碍密切相关（Church等人，2008年；Seeley、Crawford、Zhou、Miller和Greicius，2009年）。现有研究广泛采用机器学习和深度学习方法，利用fMRI数据实现脑疾病的自动化检测，旨在为注意力缺陷多动障碍（ADHD）（Aradhya、Subbaraju、Sundaram和Sundararajan，2021年）、自闭症谱系障碍（ASD）（Dong、Sun、Yu和Luo，2025a年）、卢氏痴呆（AD）（Li等人，2025年）以及阿尔茨海默病（AD）（Zhou、Luo、Gong和Peng，2025年）等疾病提供早期诊断和预测方案。

鉴于这些发现，基于FC模式使用深度学习方法对脑疾病进行分类的方法受到了越来越多的关注（Noman、Ting、Kang、Phan和Ombao，2024年；Wang、Huang、Liu和Zhang，2019年；Zhu、Li和Fan，2018年）。在主流的FC分类模型中，注意力机制以其数据驱动的建模能力而闻名，使它们能够灵活适应动态大脑网络中的复杂连接模式，并展现出很强的通用性。然而，由于FC数据的高维特性（Heinsfeld、Franco、Craddock、Buchweitz和Meneguzzi，2018年；Jha、Morais和Pillow，2021年），许多现有方法忽视了注意力机制引入的显著计算开销（Liu等人，2023c年；Zhou等人，2024年）。此外，过度强调全局建模可能导致局部结构信息的丢失，从而限制了脑疾病分类的性能。在动态建模大脑网络时，如何在特征表示能力和模型复杂性之间取得平衡仍然是一个关键且未解决的研究挑战。

在本文中，我们从fMRI数据中构建了动态功能连接（dFC）模式，并提出了一种新颖的邻域增强型可变形注意力网络（NEDA-Net）用于脑疾病分类。所提出的NEDA-Net通过混合注意力模型的设计，有效地学习了大脑网络的时空特征，该模型同时捕捉了局部相关性和长距离依赖性。

本工作的主要贡献总结如下：

• 1.
  本研究提出了一种新颖的NEDA-Net，可以从构建的dFC模式中有效学习多尺度时空特征，用于脑疾病分类。该模型从细粒度到全局级别逐步提取大脑网络的时空特征，形成了一个层次化的多尺度特征提取机制，以促进脑疾病分类。
• 2.
  我们设计了两个互补的模块：邻域注意力模块和可变形注意力模块。前者捕捉大脑网络的细粒度局部空间依赖性，后者则适应性地关注较粗尺度上的长距离相互作用。通过交替使用这两个模块，模型逐步学习了丰富的多尺度时空特征，将局部细节与整个大脑的依赖性结合起来。这种设计在增强特征表示能力的同时显著降低了计算成本。
• 3.
  在三个大规模fMRI数据集上进行了广泛的实验来评估所提出的模型。与经典算法和最先进算法的比较分析表明，我们的NEDA-Net在分类准确性方面表现优异，并在不同fMRI预处理流程中表现出强大的泛化能力和鲁棒性。此外，实验还确定了可以作为脑疾病诊断潜在生物标志物的关键脑区和神经连接。

章节片段

功能连接（FC）网络分析

作为由相互连接的神经区域组成的复杂网络，大脑依赖于高效的区域间通信来调节各种认知过程。基于fMRI数据，FC模式分析通常分为两种主要范式：静态FC（sFC）分析和动态FC（dFC）分析。

sFC捕捉整个fMRI时间序列中脑区域之间的平均连接模式。由于其计算简单性和相对稳定性，sFC

NEDA-Net架构

图1展示了所提出的NEDA-Net架构。我们从初始fMRI数据中构建dFC模式，并设计了邻域注意力模块和可变形注意力模块，以学习多尺度时空大脑网络特征，用于脑疾病分类。具体来说，邻域注意力模块有效地提取dFC模式中每个邻域块内的局部时空特征，以增强区域脑相互作用的表示，而可变形注意力模块

数据集和预处理

在本研究中，使用了三个大规模fMRI数据集进行方法验证：ABIDE-I（Di Martino等人，2014年）、ADHD-200（Bellec等人，2017年）和ADNI（Jack等人，2008年）。ROI划分使用了成熟且广泛采用的脑图谱。为了确保可比性和可重复性，遵循先前研究的常见做法，ABIDE-I和ADHD-200数据集使用CC200图谱（Craddock、James、Holtzheimer、Hu和Mayberg，2012年）进行划分，而ADNI数据集则

结论

在本研究中，我们从fMRI数据中构建了dFC模式，并提出了一种新颖的深度学习框架NEDA-Net，该框架整合了邻域注意力模块和可变形注意力模块，以高效学习多尺度时空特征，用于脑疾病分类。邻域注意力模块专注于细粒度的局部时空特征提取，而可变形注意力模块则适应性地模拟整个大脑的长距离功能整合。通过交替使用

CRediT作者贡献声明

梁胤：概念化、方法论、形式分析、调查、数据管理、监督、初稿撰写、审阅与编辑、资金获取。杨晓颖：概念化、方法论、软件开发、调查、数据管理、初稿撰写、审阅与编辑、可视化。刘波：概念化、方法论、验证、资源管理、监督、审阅与编辑。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。