神经影像的深度学习：一项验证研究
本文提出了一种利用深度学习方法进行疾病预测的算法，通过MRI扫描病人的大脑，基于ADNI数据集中的2265个历史扫描，该算法可用于预测病人的疾病状态，并证明了3D卷积神经网络优于文献中的其他分类器并产生了最新的结果。
Feb, 2015
DeepNAT是一种使用卷积神经网络进行脑结构自动分割的方法，其中包括使用多任务学习，Laplace-Beltrami算子和条件随机场来解决一系列挑战。
Feb, 2017
本研究利用3117个来自多个老年痴呆研究队列和记忆门诊的 MRI 扫描图像，通过在训练数据中加入更广泛的图像分布来考察深度学习模型在诊所数据集中的泛化能力，进而探究深度学习模型对于不同扫描仪、协议和疾病群体的影响。研究发现，更广泛的训练图像可以提高模型的泛化能力，并且未来的深度学习研究需要在多个外部队列上进行评估，以得到可靠的结果。
Nov, 2019
本文综述了神经影像领域中可解释深度学习模型的当前状态和应用，讨论了其相关方法、挑战和意见，以及如何利用模型解释性捕捉与模型预测相关的解剖和功能性大脑变化，最后讨论了当前做法的局限性，并提供了有关如何引导未来研究方向以使深度学习模型更加可解释并推进对脑疾病科学理解的宝贵见解和指导。
Jul, 2023
研究通过功能性磁共振成像对大脑的记录，分析了编码模型和解码模型的应用，尤其关注深度学习算法的效果、好处和限制，并总结了神经科学数据集的代表性研究。
Jul, 2023
通过对多种视觉架构进行基准测试，证明了预训练模型在新兴数据集上的初始化价值，使得这些预训练模型能够适应各种下游神经影像任务，即使目标任务的训练数据有限。
Sep, 2023
通过使用深度学习技术，特别是基于最先进的卷积神经网络（CNNs），对磁共振成像（MRI）数据进行分类，以便识别阿尔茨海默病（AD），该研究报告了采用多个CNN模型的集成方法来提高检测的查全率和准确性，其中多数投票法表现得更好。我们提出的方法在测试中获得了90%的准确率、0.90的精确度和0.89的召回率。未来可以扩展该研究以纳入其他类型的医学数据，包括信号、图像和其他数据，使用其他分类器、神经网络和人工智能技术以提高阿尔茨海默病的检测。
May, 2024
通过对神经影像学应用的可解释性深度学习方法的文献进行系统回顾和评估, 本研究发现最受欢迎的可解释性深度学习方法在神经影像数据上可能不太理想, 并探讨了该领域的可能未来方向。
May, 2024
本研究针对现有机器学习在动态功能连接中的应用挑战，旨在通过分析大规模fMRI数据建立深度模型的实证指导。研究发现，当前模型在认知任务识别和疾病诊断中表现不一，提出了一般性选择机器学习方法的指导原则，以推动新的神经影像应用的发展。
Sep, 2024