使用多尺度图谱构建的分层图卷积网络用于脑障碍诊断和功能连接

Sep, 2022

使用多尺度图谱构建的分层图卷积网络用于脑障碍诊断和功能连接

Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity

PDF

Mianxin Liu, Han Zhang, Feng Shi, Dinggang Shen

TL;DR本研究提出了一种基于多尺度图谱和深度学习的方法，使用具有生物意义的多尺度图谱计算多尺度功能连接网络，并结合多尺度网络中区域之间的生物意义关系进行诊断信息提取，以实现更好地理解脑部疾病的神经病理学。实验证明该方法在阿尔茨海默病、轻度认知障碍和自闭症谱系障碍的诊断中比其他竞争方法更具优势。

Abstract

functional connectivity network (FCN) data from functional magnetic resonance imaging (fMRI) is increasingly used for the diagnoses of brain disorders. However, state-of-the-art studies used to build the FCN using a single brain parcellation atlas at a certain spatial scale, which larg

functional connectivity network multiscale brain hierarchy brain disorder diagnosis neuroimaging data deep learning

发现论文，激发创造

利用解缠变分自编码器融合结构和功能连接性以检测 MCI

考虑到多模态神经影像具有互补信息，本文提出了一种新的层次结构 - 功能连接融合（HSCF）模型，并在 ADNI 数据库上进行了测试，结果显示该模型在分类评估方面的表现优于其它竞争模型，能够更好地生成脑结构 - 功能连接并识别认知疾病的异常大脑连接。

Jun, 2023

多尺度功能磁共振成像时间序列分析用于理解轻度认知功能障碍的神经退行性变化

本研究提出了一种应用于静息状态 fMRI 体积的跨多尺度视角（全局尺度 - 脑网络水平和局部尺度 - 检查构成网络的每个个体 ROI）的技术，并利用深度学习的分类方法来理解神经退行性问题。提出的方法的创新之处在于利用了两种极端尺度的分析。一种分支考虑了整个网络在图分析框架内，同时第二种分支分别审查网络中的每个 ROI，重点关注动态演变。该方法用于对 50 个健康对照组（HC）和 50 个轻度认知损害（MCI）人群进行分类，结果表明：（1）MCI 组中的 ROI（如 PCC）活动减少，（2）MCI 组中的枕叶活动增加，这在 HC 组中未见，（3）在动态分析中，MCI 组中的所有 ROI 显示出更大的时间序列可预测性。

Feb, 2024

多头图卷积网络用于结构连接组分类

本文提出了一种受图卷积网络启发的机器学习模型，针对基于扩散磁共振图像的脑连接性进行分类。该模型通过并行地使用具有多个头的图形卷积机制对脑连接输入图进行处理，并使用不同的头涉及图卷积来捕获输入数据的表示，证明了在两个公开数据集上比现有的机器学习算法展现出更高的性能，包括经典方法和 (图形和非图形) 深度学习。

May, 2023

基于功能连接的神经障碍诊断的可学习对应病因分析框架

通过采用深度学习模型进行疾病识别和解释模型进行后续分析，我们提出了一个新的统一框架来集成诊断和解释，并通过仿真逆转诊断信息的功能连接来验证其有效性，并在对疾病相关的神经模式进行分析。

Oct, 2023

一种基于功能连接性的生成式自监督框架用于 fMRI 数据

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

联合图卷积分析脑结构和功能联结网络

本文提出将结构网络和功能网络耦合起来，提出一种联合图卷积网络（Joint-GCN）以分析结构和功能网络之间的关系，并在预测大脑白质网络年龄和性别方面进行应用，结果表明联合 - GCN 比现有的多模态图学习方法更有效。

Oct, 2022

使用 T1-MRI 的分层原型嵌入 GCN 构建动态结构性脑网络

该研究提出了一种基于 T1-MRI 的新型动态结构脑网络构建方法，该方法可以动态定位关键区域并限制其层次分布，用于结构化的脑网络构建，以预测轻度认知障碍（MCI）病例的转化情况并取得最佳效果。

May, 2023

可解释性脑网络分类的对比图池化

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

自我关注机制和潜在空间项目 - 响应模型的功能磁共振连接可解释融合分析框架

本文提出一种基于深度学习和功能连接网络分析的认知障碍疾病分类方法，通过自注意力模型和潜空间项目 - 响应交互网络模型解释分类结果，发现与其他疾病不同的显著功能连接模式。

Jul, 2022

基于空间定位的图谱网络瓦块的 3D 全脑分割

本文提出了一种名为 SLANT 的方法，结合传统医学图像处理和深度学习，提供了一种分布式多个独立 3D 全卷积网络进行高分辨率全脑分割的方法，并将其应用于大量未标记扫描的辅助标签，与传统多图谱分割方法相比，该方法的性能更优，并将计算时间从 > 30 小时缩短至 15 分钟。

Mar, 2019