fMRI 脑网络的深度标注
使用静息态功能磁共振成像技术 (RsfMRI),本文提出了一种名为 BrainRGIN 的新型建模架构,通过在静态功能网络连接矩阵上使用图神经网络,预测智力 (流体、晶体和总体智力)。在青少年大脑认知发展数据集上评估了我们的模型,证明了其在预测智力个体差异方面的有效性。我们的模型在智力预测任务的均方根误差和相关性得分上均优于现有的相关图形架构和其他传统的机器学习模型。中央额叶回对流体和晶体智力都有显著的贡献,表明它们在这些认知过程中起着关键的作用。总复合分数识别出一组与大脑相关的多样区域,凸显了总智力的复杂性。
Nov, 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
通过采用监督超像素编码技术和图形技术,可以优化模型,在不影响 CNN 模型性能的情况下将优化参数提高 26 倍,并能够在脑肿瘤患者的大脑图像中识别特征连接
Jul, 2023
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
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
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
提出了一种具有个性化分支的特异性感知的联邦图学习 (SFGL) 框架,用于静息状态功能磁共振成像 (rs-fMRI) 分析和自动脑疾病识别,通过集中模型聚合和预测,在多个客户 / 站点之间促进知识共享,并保留站点特异性。
Aug, 2023
采用深度人工神经网络,通过不同尺度的输入信息实现对人类脑磁共振成像的自动分割,无需非线性图像配准,对于全脑的解剖分割具有较好效果,为该领域提供了新的技术路线。
Feb, 2015
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