推断脑龄估计中的群体图结构对图神经网络的影响。

Sep, 2023

本文介绍了在人群的脑分析中，将图卷积网络（GCN）应用于包括成像和非成像数据的稀疏图中，以推断未标记节点的类别，并在分类任务中整合上下文信息的潜力。该方法在 ABIDE 和 ADNI 数据库上取得了良好的性能。

Mar, 2017

年龄估计技术是人脸识别的一部分，通过对游戏中的用户进行身份验证，实现了青少年防沉迷系统的开发和应用。本文提出了一种新的建模思想，使用图卷积网络（GCN）从非规则人脸图像中有效地提取特征，并添加了多头注意力机制以避免冗余特征并捕获图像中的关键区域信息，从而显著提高了年龄估计的准确性并降低了 MAE 误差值，进而提高了人脸识别和身份验证的准确性。

Oct, 2023

采用深度学习模型结合多模态数据进行阿尔茨海默病的早期诊断，通过图神经网络框架将结构和功能融合，提高诊断效果。

Jul, 2023

本文提出了一种利用图卷积网络的通用框架，该框架旨在将人群表示为一个稀疏图，其中其节点与基于成像的特征向量相关联，而表型信息则作为边权集成，以在大型人群中进行脑分析，本框架可以用于疾病预测任务，能够显著提高预测性能，并在测试了两个大型数据集，ABIDE 和 ADNI，以分别预测自闭症谱系障碍和转化为阿尔茨海默病的结果。

Jun, 2018

深度学习模型通过磁共振成像在估计大脑年龄方面取得了最先进的结果。我们将年龄预测问题从全局预测转化为图像回归问题，比较了基于体素的年龄预测模型与基于全局的模型以及它们对应的显著性地图。结果表明，基于体素的年龄预测模型更具解释性，因为它们提供了关于大脑衰老过程的空间信息，并从定量化中受益。

Aug, 2023

使用深度学习和卷积神经网络方法，预测健康人群的大脑年龄，并建立其作为大脑衰老过程个体差异性的生物标志物的资格，该预测模型的结果证明了其在灰质或白质参数地图上的预测准确度极高，具有高度的可靠性和遗传学效度，可用于评估大脑老化的生物标志物，并且可以在原始数据上准确生成预测，实现在临床现场获得大脑健康信息。

Dec, 2016

本文提出了一种基于掩蔽对比图表示学习的年龄估计方法，该方法利用图表示学习的鲁棒性来处理图像冗余信息，通过深度学习的方法从面部图像数据集中提取结构信息和语义特征，并在多个损失函数的约束下综合利用二者提高预测精度。

Jun, 2023

通过分析磁共振成像（MRI）数据，利用深度学习技术准确估计大脑年龄是有潜力的，但现有方法往往直接利用整个输入图像，忽视了两个重要考虑因素：1）大脑老化的异质性，即不同脑区可能以不同速率退化，和 2）大脑结构中存在与年龄无关的冗余信息。为了克服这些局限性，我们提出了一种基于双图注意的解耦多实例学习（DGA-DMIL）框架以改善大脑年龄估计。我们通过将 3D MRI 数据视为一组实例，输入到 2D 卷积神经网络主干中，以捕捉 MRI 中独特的老化模式。然后，提出了一个双图注意聚合器，通过利用实例内和实例间的关系学习主干特征。此外，我们还引入了一个解耦分支，以将与年龄相关的特征与与年龄无关的结构表示分离，以改善冗余信息对年龄预测的干扰。为了验证所提出的框架的有效性，我们对包含 35,388 名健康个体的 UK Biobank 和 ADNI 两个数据集进行评估。我们的模型在 UK Biobank 中显示出令人瞩目的准确性，达到了 2.12 年的平均绝对误差。与其他竞争的大脑年龄估计模型相比，我们的方法已成为最先进的。此外，实例贡献分数在年龄预测中识别了不同脑区的重要性，为对大脑老化的理解提供了更深入的洞察。

Mar, 2024

本研究提出了一种基于 VNN 的大脑年龄预测框架，可通过解释获得对年龄差异的洞察力，包括对 Alzheimer 疾病中引起年龄差异的贡献的识别和脑部区域的解释。

May, 2023