Aug, 2023

影像大脑的可读性

PDF
TL;DR人脑组织、功能差异、可解决性、预测模型、个体特征解析需要更具信息量的成像或更强大的模型。
human brain organizationfunctional differencesresolvabilitypredictive modelsindividual level characteristics
发现论文，激发创造
  • 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

  • 利用深度学习从原始成像数据预测大脑年龄，得出可靠的遗传生物标志 / 生物标志物

    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

  • 分析脑龄预测中的种族和性别偏见

    通过对 ResNet-34 模型的综合子群性能分析和特征检查，我们发现在种族和生物性别方面存在偏见，且在特征分布上存在统计学上的显著差异，这表明脑龄预测模型需要进一步分析。

    Sep, 2023

  • 深度学习揭示多种年轻和老年脑部疾病的共同特征谱：基于脑功能网络的研究

    利用多个不同来源的功能性磁共振成像数据（4,410 名受试者，6 个位置）建立深度学习模型，能够识别 5 种脑部疾病，包括默认模式、执行控制、视觉和边缘网络等共同受损的功能子网络，并发现了早期和晚期大脑疾病共同谱系。

    Feb, 2023

  • 将大脑年龄预测问题重新构建为更易解释且定量化的方法

    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

  • 脑结构衰老 -- 一种用于多病分类的新生物标志物

    本文提出了使用深度学习模型通过 MRI 数据预测大脑结构的年龄从而提高异常检测的准确性，并且该方法可用于神经疾病差异诊断的多病种分类任务。

    Apr, 2023

  • 个体脑分区：方法、验证和应用综述

    个体脑图谱是通过神经影像和机器学习技术实现，用于准确定位个体大脑的功能区域，以促进神经科学研究和临床医学，并解决当前集成平台需求的挑战。

    Jul, 2024

  • 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

  • 结合解剖学知识的大脑功能网络集成贝叶斯分析

    通过采用分层贝叶斯高斯图模型，该研究方法能够利用结构连接知识来估计功能网络，从而提高了功能大脑网络估计的准确性和拓扑特征在扫描会话间的可重复性。

    Feb, 2018

  • 脑形式化：将 MRI 脑功能建模到机器视觉中

    通过引入新颖的基于 Transformer 的 Brainformer 方法，分析人类感知系统中 fMRI 模式，并将其作为监督机制应用于机器视觉模型，通过实验证明，在各种图像识别任务中，利用 fMRI 信息可以实现与当前最先进方法相比的潜在结果。

    Nov, 2023