A Hierarchical Tokenization Framework for Voxel-Level fMRI Representation Learning

ABSTRACT

中文摘要

我们提出 HBAR（Hierarchical Brain Activity Representation），一种用于学习紧凑、多尺度神经影像表征的层级 token 化框架。HBAR 将体素级静息态 fMRI 组织为跨越分区内体素组、脑区分区与大尺度功能网络的层级结构，实现约 415 倍压缩，同时保留超出传统分区方法的精细空间信息。该框架支持固定图谱、完全学习和软先验引导的层级，使我们能够系统研究结构先验在脑表征学习中的作用。在大规模 fMRI 数据上评估时，HBAR 相较分区方法和单尺度 token 化基线显著改善重建，并支持脑动力学建模及性别分类等人口学预测下游任务。在重建与下游评估中，图谱引导层级具有最强的总体表现，提示既有功能图谱编码了仅凭重建仍难以恢复的组织结构。通过结合体素级保真度、紧凑离散 token 和多尺度脑结构，HBAR 为高维神经影像表征学习提供了一个实用框架。