Dec, 2022

基于生成人工智能的尼古丁相关电路动态检测

PDF
TL;DR本研究采用生成人工智能框架，包括时间图转换器和对比学习模块等，对功能成像数据进行数据驱动和端到端建模，从而揭示尼古丁成瘾相关电路的动态特性及其机制。
addiction-related circuitsfunctional imaginggenerative ai frameworkdynamic brain network modelingnicotine addiction
发现论文，激发创造
  • 利用大规模神经影像数据集创建连接组约束方法，以实现更加稳健、高效和适应性人工智能

    利用大型神经成像数据集中的连接性图谱等手段，改善边缘端机器学习的效率和鲁棒性，并通过对果蝇和哺乳动物视脑回路连接等领域的分析，展示了多种潜在的应用脑科学领域洞见的方法。

    May, 2023

  • 一种用于香烟检测的多模态深度学习架构及小样本方法

    使用深度学习的预训练、多模态、图像与文本处理模型，即使训练数据有限，也能在不同媒体中检测到烟草广告。

    Sep, 2023

  • BrainNetDiff：基于多模态扩散模型的生成式人工智能助力脑网络生成

    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

  • 跨模态变换生成对抗网络：用于阿尔茨海默病分析的脑结构功能深度融合网络

    提出了一种名为交叉模态变换生成对抗网络（CT-GAN）的新模型，能够从功能磁共振成像（fMRI）和扩散张量成像（DTI）中有效地融合功能和结构信息，并通过分析生成的连接特征来识别与阿尔茨海默病相关的大脑连接。评估结果表明，该模型能够显著提高预测性能，有效地检测与阿尔茨海默病相关的大脑区域，并为检测与该病相关的异常神经回路提供了新的见解。

    Sep, 2023

  • 使用生成对抗网络进行跨模态翻译以揭示阿尔茨海默病生物标志物

    研究探索了在阿尔茨海默病的语境中使用生成对抗网络（GAN）从功能网络连接和 T1 加权结构磁共振成像数据中生成相应的数据，并通过集成弱监督的方式提高数据过渡的质量。结果显示模型具有良好的相似性和相关性，并在阿尔茨海默病患者的脑部图像中发现了特定的变化模式。

    May, 2024

  • 深度神经网络中的功能激活

    深度神经网络的功能结构通过功能神经影像学的技术得到了探测。确定的功能网络可以用于模型对齐、模型输出的调节以及在微调中确定权重。

    Nov, 2023

  • 视觉电路的自动发现

    基于视觉概念的神经元激活依赖和功能连接，我们提出了一种新的方法来提取深度视觉模型计算图的子图，从而防御大规模预训练模型的对抗攻击。

    Apr, 2024

  • 通过功能性脑网络生成进行有效和可解释的 fMRI 分析

    本文提出了一个可训练的流程，以促进 fMRI 数据的分析和下游预测任务。结果表明，该流程能够更有效并独特地进行解释。

    Jul, 2021

  • 学习神经生物网络中功能连接组的动态表示

    使用无监督方法从脑内活体神经元跟踪中学习动态亲和力，揭示神经元在不同时间形成的群体互动，进而构建动态功能连接图。

    Feb, 2024

  • 大规模生成模型的视觉探索：基于脑扩散的皮层发现

    该研究通过结合大规模扩散模型和脑图像合成的方法，介绍了 BrainDiVE（Brain Diffusion for Visual Exploration），该方法有效地从自然图像和功能磁共振成像数据中合成预测激活给定脑区域的图像，并验证了 BrainDiVE 在人类视觉皮层的 fine-grained functional organization 的应用及假设驱动方法的作用。

    Jun, 2023