Jul, 2023

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

PDF
TL;DR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
发现论文，激发创造
  • 使用深度学习进行动态自然视觉的神经编码和解码

    研究表明，使用卷积神经网络 (CNN) 驱动的图像识别技术不仅能在下流视觉区域说明大脑对静态图片的反应，还能可靠地预测和解码人类观看自然电影时的功能性磁共振成像数据，并通过缺少有关时间动态或反馈处理机制的 CNN-Predicted areas 覆盖了包括腹侧流和背侧流在内的大部分视觉和语义空间。

    Aug, 2016

  • 一种基于功能连接性的生成式自监督框架用于 fMRI 数据

    利用动态功能连接图中的时空信息，我们提出了一种生成式自监督学习方法，通过大规模 fMRI 数据集的实证结果表明，我们的方法在下游任务的微调中能够学习到有价值的表示，并构建出准确且稳健的模型。

    Dec, 2023

  • 可解释性脑网络分类的对比图池化

    本文提出了一种对脑网络进行图神经网络分析的方法，名为 ContrastPool，以满足功能性磁共振成像数据的特殊需求，并在神经退行性疾病的研究中展示了其优势。

    Jul, 2023

  • 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

  • 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

  • 使用循环神经网络学习精神分裂症障碍的神经标记

    利用循环卷积神经网络从 4 维功能磁共振成像记录中自动学习有用的表示，旨在利用功能性磁共振成像电影中的空间和时间信息（在全脑像素水平上）识别患有精神分裂症的患者。

    Dec, 2017

  • 快速可扩展的分布式深度卷积自编码器用于 fMRI 大数据分析

    本文介绍了一种快速和可扩展的分布式深度卷积自编码器模型，其使用卷积神经网络来处理 tfMRI 数据，以学习 tfMRI 数据的复杂层次结构，并实现了在大规模 GPU 集群上对 tfMRI 大数据进行分析，从而将神经科学的信息从海量 fMRI 数据中提取出来。

    Oct, 2017

  • 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

  • 像素到体素：人脑对视觉表示的建模

    通过计算机视觉和机器学习中的 Fisher Vectors 和 CNN 模型，本研究发现可以直接从像素级低级视觉输入预测高级视觉区域的人脑的活动，为探究人类视觉的功能原理提供了新平台。

    Jul, 2014