FBNETGEN 是一种通过深度大脑网络生成的任务感知和可解释的 fMRI 分析框架,旨在完全发挥深度图神经网络在基于网络的 fMRI 分析中的作用,并提供了通过突出预测相关的大脑区域进行独特解释的学习图。
May, 2022
通过模型解释技术,本文综述了图神经网络在功能磁共振成像数据集上应用于疾病预测任务中的应用,特别关注所生成的神经变性疾病和神经精神障碍的潜在生物标记的稳健性,并建议建立新的标准来评估这些潜在生物标记的稳健性。
May, 2024
本文提出了一种对脑网络进行图神经网络分析的方法,名为 ContrastPool,以满足功能性磁共振成像数据的特殊需求,并在神经退行性疾病的研究中展示了其优势。
Jul, 2023
利用动态功能连接图中的时空信息,我们提出了一种生成式自监督学习方法,通过大规模 fMRI 数据集的实证结果表明,我们的方法在下游任务的微调中能够学习到有价值的表示,并构建出准确且稳健的模型。
Dec, 2023
本文提出了一种基于大脑模块化的动态表示学习框架,利用图神经网络和神经认知模块进行核心区域的提取,以更好地利用脑功能网络的模块化结构,探究有效的 fMRI 生物标记物用于临床诊断。
Jun, 2023
通过使用图神经网络和 fMRI 数据,开发出含有两个阶段的流程来识别 ASD 的生物标志物,并发现证据为 GNN 分类器使用的大脑区域 / 子图。
Jul, 2019
该研究提出了一个可解释性的框架,用于分析特定于疾病的感兴趣区域和突出连接。该框架包括一个面向脑网络的预测模型和一个全局共享的解释生成器,该生成器突出了特定于疾病的生物标记物。实验证明,该框架可以获得出色的性能并识别有意义的生物标记物。
Jun, 2022
提出了一个可解释的 GNN 框架 BrainNNExplainer,用于脑网络分析,主要由两个联合学习的模块组成:为脑网络设计的骨干预测模型和突出疾病特定脑网络连接的解释生成器,广泛实验证明了 BrainNNExplainer 的独特解释性和优秀性能。
Jul, 2021
通过引入一种名为 BrainNetDiff 的新方法,结合多头变换器编码器从 fMRI 时间序列中提取相关特征,并结合条件潜在扩散模型进行大脑网络生成,从图像到图形的融合,显著提高了大脑网络生成的准确性和稳定性,验证了该框架在构建健康和神经学受损队列中的大脑网络方面的适用性,实验证明了该方法在下游疾病分类任务中的显著效果,突出了大脑网络研究的前景价值,特别是在神经影像学分析和疾病诊断中的关键意义,为多模态大脑影像数据处理提供了有价值的参考,并为神经影像领域引入了一种新的高效解决方案。
Nov, 2023
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