May, 2023

多分辨率时空增强变压器去噪与功能扩散 GAN 构建 MCI 分析脑有效连接

PDF
TL;DR本论文提出了一种新型的多分辨率时空增强变压器去噪网络，利用一个条件扩散过程将噪声和功能磁共振成像（fMRI）转换为对轻度认知障碍（MCI）进行分析的有效连接，该模型不仅预测性能卓越，而且能够识别与临床研究一致的 MCI 相关因果连接。
effective connectivitybrain regionsfunctional mrimsetd networkmci analysis
发现论文，激发创造
  • 基于分层 Transformer 的脑扩散器用于 MCI 因果分析

    提出了一种脑扩散器，利用层次化变换器来估计轻度认知障碍（MCI）分析的有效连接；该模型通过堆叠多头注意力和图卷积网络来增强结构 - 功能互补性并提高噪声估计能力，并有效地捕捉大脑区域之间的单向和双向相互作用。

    Dec, 2023

  • DiffGAN-F2S：基于脑 fMRI 的结构连接预测的对称高效去噪扩散生成对抗网络

    一种名为 DiffGAN-F2S 的模型被提出，通过脑 fMRI 预测脑的结构连接，并在公开的 ADNI 数据集上展现出优越的性能，能够识别重要的脑区和连接，提供了一种多模态脑网络融合和临床疾病分析的替代方案。

    Sep, 2023

  • 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

  • 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

  • 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

  • 使用对抗分解变分自编码器的脑结构功能融合学习，分析 MCI

    本研究提出一种新的脑结构 - 功能融合表征学习模型，它可用于从 DTI 和 fMRI 中学习融合表示，以分析轻度认知障碍 (MCI)。该模型通过将特征空间分解为每种模态的统一和独特空间的并集，并自适应融合分解功能，来有效融合脑的结构和功能特征，同时设计了一种知识感知变压器模块来捕获全局和局部连接特征。实验表明，该模型在预测和分析 MCI 方面的表现优于其他竞争方法，有望成为重建统一脑网络并预测 MCI 退化的异常连接的潜在工具。

    May, 2023

  • 空间 - 时间 DAG 卷积网络用于端到端关节有效连接学习和静息态 fMRI 分类

    通过建立大脑网络连接图，提出了一种空间 - 时间有向无环图卷积网络（ST-DAGCN），结合基于非线性结构方程模型的大脑表征学习方法，以推断功能连接性和分类脑部功能磁共振成像时间序列，并在两个公共数据库上进行验证，结果表明 ST-DAGCN 在脑部功能磁共振成像分类中明显优于现有模型，同时学习到有意义的功能连接边以帮助理解脑活动模式和疾病机制。

    Dec, 2023

  • 基于 3D 变压器去噪扩散模型的合成磁共振成像计算机断层成像

    使用具有转换器的漫反射概率模型（MC-DDPM）将磁共振成像（MRI）转换为高质量的合成计算机断层扫描（sCT），以便于放射治疗计划，并通过消除 CT 模拟和具有误差的图像配准，从而减少患者的辐射剂量和设置不确定性。

    May, 2023

  • 一种用于阿尔茨海默病诊断的新型特征图增强技术，融合了残差卷积神经网络和 Transformer

    通过使用深度学习技术的 CAD 系统，基于新型的 FME-Residual-HSCMT 技术，该研究针对阿尔茨海默病（AD）的特征进行了分析，融合了残差 CNN 和 Transformer 的概念，通过多种方式学习了 AD 的形态、对比度和纹理变化，实现了高准确率的 AD 检测。

    Mar, 2024

  • 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

    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