Jun, 2023

利用大脑模块性先验进行 fMRI 可解释表征学习

PDF
TL;DR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。
resting-state functional magnetic resonance imagingmachine learningbrain modularitygraph neural networkbiomarker detection
发现论文，激发创造
  • 脑网络与智力：一种基于图神经网络的静息态 fMRI 数据方法

    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

  • 通过功能性脑网络生成进行有效和可解释的 fMRI 分析

    本文提出了一个可训练的流程，以促进 fMRI 数据的分析和下游预测任务。结果表明，该流程能够更有效并独特地进行解释。

    Jul, 2021

  • 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

  • fMRI 脑网络的深度标注

    研究使用深度学习方法快速准确地标记静息态功能磁共振成像中的脑区网络，通过测试其在不同数据集和磁共振成像获取技术下的表现，证明其通用性和可靠性。

    May, 2023

  • 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

  • 脑协方差选择：利用群体先验改进个体功能连接模型

    通过建立整个脑部的概率模型，利用群体数据来推断个体的脑连接结构，进而探索大规模的功能结构，以及首次展示已知的认知网络是如何成为功能连接图的集成社团的。

    Aug, 2010

  • 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

  • 保持联邦图学习在基于 fMRI 的神经疾病识别中的特异性

    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

  • FBNETGEN: 基于任务感知的基于 GNN 的 fMRI 分析方法：通过功能性脑网络生成

    FBNETGEN 是一种通过深度大脑网络生成的任务感知和可解释的 fMRI 分析框架，旨在完全发挥深度图神经网络在基于网络的 fMRI 分析中的作用，并提供了通过突出预测相关的大脑区域进行独特解释的学习图。

    May, 2022

  • 功能性大脑网络自动识别的更节约模型：以静息态功能磁共振为例

    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