Jun, 2023

基于连接式引导的上下文表示学习用于脑疾病诊断

PDF
TL;DR提出一种基于连接方式的上下文表示学习模型 (CS-CRL)，用于多种脑病的诊断，特别是具有视觉变换 (ViT) 编码器和掩码重建作为代理任务和格拉姆矩阵来指导连通信息的表示，能够更好地聚合特征和提取全局上下文。实验结果表明，其在六个数据集和三种脑病的诊断任务中取得了卓越的准确性，并且胜过了现有的最先进模型。
smrideep learningbrain disease diagnosisconnectional style contextual representation learning modelvit encoder
发现论文，激发创造
  • 大规模无监督深度表示学习在脑结构方面的应用

    本篇论文利用深度无监督学习方法提取结构性脑部 MRI 扫描的基本特征表示，不需手动干预或前提领域知识，该方法表现出与 FreeSurfer 特征一致的分类任务性能，并可用于重建脑部图像。

    May, 2018

  • DrasCLR: 一种用于三维医学图像学习疾病相关和解剖学特定特征的自监督框架

    本文提出了一个名为 DrasCLR 的新型自监督学习（SSL）框架，采用基于实例鉴别的 SSL 方法，通过两种特定于领域的对比学习策略，在 3D 医学成像中提取具有解析解剖学特定功能的特征，可用于不需要冠军数据来完成许多下游任务，比如肺部图像的预测和分割任务，包括病人存活预测任务和广泛且密集预测的肺气肿子类型检测，这可以大大减少注释精力，并且证明了在自监督学习框架中引入解剖上下文的重要性。

    Feb, 2023

  • 上下文重要性：基于图形的医学图像自监督表示学习

    该研究介绍了一种基于自监督学习的方法，通过在医学图像中结合区域解剖学和患者特征学习对肺部 CT 图像进行分析，从而在 COVID-19 病人中定量量化疾病的临床进展并标识图像中与疾病相关的区域。

    Dec, 2020

  • 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

  • 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

  • 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

  • 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

  • 构建基于时空预测的脑数据表示模型

    通过比较深度学习和几何深度学习的各种建模技术来为未来的研究铺平道路，以有效利用典型的 fMRI 数据集以及其他类似数据集的丰富的时空域，从而为人们对健康和疾病中大脑动态的更加细致的理解、以及减少对专业临床专家的需求提供方法。

    Feb, 2020

  • MRI 可解释的概念映射：揭示基于深度学习的脑疾病分类的机制

    通过对深度神经网络学习的概念进行系统性研究，可以确定变化的大脑区域用于模型验证，从而增加疾病分类模型的可靠性。

    Apr, 2024

  • 多头图卷积网络用于结构连接组分类

    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