May, 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

PDF
TL;DR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。
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

  • 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

  • Functional2Structural：跨模态脑网络表示学习

    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

  • 利用大脑模块性先验进行 fMRI 可解释表征学习

    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

  • 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

    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。

    May, 2023

  • 多任务协作预训练与个体自适应标记微调：大脑表征学习的统一框架

    本研究提出了一种基于 sMRI 数据的新型深度学习框架 MCIAT，通过多任务协同预训练和个体自适应标记微调相结合，以实现高水平的语义表示和大脑诊断性能，对其在多个 sMRI 数据集中进行了评估，并证实了其可解释性。

    Jun, 2023

  • MindDiffuser：基于语义和结构扩散的人脑活动控制图像重建

    本文提出了一种名为 MindDiffuser 的两阶段图像重构模型，利用了稳定扩散技术，成功地同时实现了语义和结构信息的重构，并在自然场景数据集方面的重建结果超过了当前最先进模型。

    Mar, 2023

  • 结构注重型神经退行性卷积神经网络用于阿尔茨海默病建模与分类

    该研究提出了一种结合了伽玛校正和脑结构专注的神经退化卷积神经网络（SNeurodCNN）的机器学习框架，用于区分早期阿尔茨海默病（AD）和轻度认知障碍（MCI），通过实验证明该模型在诊断及特定脑区变化的准确性、特异性和敏感性方面表现出色，成为早期 AD 诊断的潜在大脑结构变化数字生物标志物。

    Jan, 2024

  • 一种新的脑区分方法突出了结构和功能共享的模块骨架

    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

  • 双向图生成对抗网络：用于阿尔茨海默病的脑结构 - 功能连接的表示

    通过引入双向图生成对抗网络（BGGAN）、内部图卷积网络（InnerGCN）以及均衡器（Balancer），本研究提出了一种能够表示脑结构与功能之间连接的模型。在 ADNI 数据集上的实验结果表明，生成的结构连接和功能连接都能提高阿尔茨海默病（AD）的识别准确度，同时也发现脑结构与功能之间并不完全一一对应的关系，脑结构是脑功能的基础，强结构连接几乎都伴随着强功能连接。

    Sep, 2023