使用 T1-MRI 的分层原型嵌入 GCN 构建动态结构性脑网络
提出一种名为 Brain-SubGNN 的新颖图形表示网络,用于挖掘和增强基于 T1-MRI 的关键子图,该网络提供了子图级别的解释,增强了图形分析的可解释性和洞察力,通过提取节点特征和节点之间的相关矩阵构建任务导向的脑网络,并自适应地识别和增强关键的子图,捕捉回路和邻居子图,反映远程连接的回路拓扑和局部变化,同时保持局部和全局脑属性,广泛的实验证实了 Brain-SubGNN 的有效性和优势,证明其作为了解和诊断早期痴呆症的强大工具的潜力。
Mar, 2024
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
用 Deep Signed Brain Networks(DSBN)建立了一种新的图学习框架,以连接两种脑网络,以预测临床表型和神经退行性疾病,结果显示其优于其他现有方法。
May, 2022
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
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
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。
Sep, 2022
我们提出了一种基于多视图 GNN 和对比学习的方法,用于对多模态脑网络进行分析,并通过在两个现实疾病数据集上的实验证明了该方法的有效性。
Jul, 2021
提出了一种名为 STAGIN 的方法,该方法可以学习到大脑连通性的动态图表示,其中包括空间 - 时间关注的新型读取功能和变压器编码器,对 HCP - 休息和 HCP - 任务数据集的实验表现优异,并且具有与神经科学知识的相应解释。
May, 2021
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
本研究提出了 Bargrain,它通过使用图卷积网络模拟了两种图结构:过滤后的相关矩阵和最优样本图,旨在既得益于这两种图结构,又解决了仅依赖单一结构的限制。大量实验证明,Bargrain 在脑部疾病数据集的分类任务中,以平均 F1 分数为衡量指标,胜过了现有方法。
Dec, 2023