跨主体学习和比较功能连接组
通过建立整个脑部的概率模型,利用群体数据来推断个体的脑连接结构,进而探索大规模的功能结构,以及首次展示已知的认知网络是如何成为功能连接图的集成社团的。
Aug, 2010
运用理论图分析研究单独收集自健康人体的结构连接和静息状态功能连接数据集,旨在寻找结构和功能共享的主要特征,揭示了结构功能模块的存在,说明大脑结构和静息状态动力学之间的强相关性。
Oct, 2014
通过比较深度学习和几何深度学习的各种建模技术来为未来的研究铺平道路,以有效利用典型的 fMRI 数据集以及其他类似数据集的丰富的时空域,从而为人们对健康和疾病中大脑动态的更加细致的理解、以及减少对专业临床专家的需求提供方法。
Feb, 2020
提出了一种新的基于图编辑距离的方法,用于比较大脑图并直接反映出相似性及网络元素对应关系,从而更准确地表示个体网络的相似性和变化,并在一个双胞胎数据集上进行了验证。
Mar, 2017
本文介绍了一种基于 Smooth Incremental Graphical Lasso Estimation (SINGLE) 算法的动态脑网络建模方法。通过应用 SINGLE 算法来分析 24 位健康患者进行选择 - 反应任务的功能磁共振成像数据,研究人员展示了伴随着认知任务的动态网络结构变化,特别是右侧额下回皮质区域的动态变化对于认知控制总起着重要作用,并可能在调控其他脑区之间的平衡中扮演关键角色。
Oct, 2013
通过采用分层贝叶斯高斯图模型,该研究方法能够利用结构连接知识来估计功能网络,从而提高了功能大脑网络估计的准确性和拓扑特征在扫描会话间的可重复性。
Feb, 2018
我们提出了精细分辨率的功能模式图册 (DiFuMo),由 64 到 1024 个网络组成,很好地提取了降维信号,以及对大量数据处理技术进行了比较和解释。
Mar, 2020
本文介绍了一种方法来累积关于观察到的脑活动和相应功能之间的双向联系的知识。我们的方法基于大量的影像研究和一个预测引擎。我们首次演示了预测完全新的脑图像的认知内容的方法。
Nov, 2013
早期脑发育的组织联系相连接机构形成高度有序的结构连接组。通过该连接组的相互连接性,大脑的认知能力受到影响,并对疾病和环境因素产生影响。因此,对围产期阶段的结构连接进行定量评估有助于研究正常和异常的神经发展。然而,从扩散 MRI 数据中估计连接组涉及复杂的计算。对于围产期,这些计算进一步受到脑快速发育和图像难度的挑战。加上高主体间变异性,这些因素使得在脑发育的这一关键阶段建立结构连接的可靠参考基线变得困难。在本研究中,我们开发了一个基于时空平均的计算框架来确定此类基线。我们使用该框架来分析来自 166 个主体的 33 到 44 周月经后的结构连接。我们的结果揭示了围产期结构连通性发展中的明确且强烈的趋势。基于纤维状异性和神经树突密度的连接权重产生了最一致的结果。我们观察到全局和局部效率的增加,特征路径长度的减小,以及大脑叶和半球内外之间连接的广泛增强。我们还观察到不同连接权重方法之间一致的不对称模式。这种新的计算方法和结果在早期评估结构连接的正常和异常发展中非常有用。
Aug, 2023