摘要
本发明公开了一种模块性脑网络估计与分类的端到端学习方法，包括以下步骤：（1）数据预处理；（2）构建初始功能脑图：将预处理的大脑功能图像按照标准模板划分为若干脑区，计算各个脑区之间的连接权重，作为输入特征；（3）学习模块化注意力邻接矩阵：根据大脑的结构和功能具有相对独立模块的先验，构建模块化注意力层；（4）构建模块化功能脑图：为每个功能脑图学习模块化特征，将模块化信息整合到边和节点中；（5）进一步提取节点特征、边特征；（6）预测分类结果；（7）优化目标函数：输出最终的分类结果。其能增强本方法输入特征和预测结果之间推断过程的可解释性，提高特征学习能力。
