Sep, 2023

TiBGL: 基于模板的脑图学习用于功能性神经成像分析

PDF
TL;DR提出了一种称为 TiBGL 的新型脑图学习框架，通过模板诱导的脑图学习解决了功能连接数据中的噪声和冗余信息问题，提高了脑部障碍诊断的性能并揭示了与脑部疾病相关的连接模式。
functional magnetic resonance imagingfunctional connectivity networksbrain graph learningtemplate-induced brain graphsneurological disorders
发现论文，激发创造
  • PTGB：面向脑网络分析的预训练图神经网络

    本研究提出了一种针对大规模脑网络数据的 GNN 预训练框架 PTGB，能在没有特定任务标签的情况下学习脑网络的内在结构，并易于适应各种下游任务，从而实现对脑网络结构复杂性的自适应处理及临床神经疾病诊断的快速准确。

    May, 2023

  • 深度强化学习引导的图神经网络用于脑网络分析

    本文提出了一个名为 BN-GNN 的新型脑网络表示框架，使用深度强化学习技术训练元策略以自动确定给定脑网络所需的最优特征聚合数量（反映在 GNN 层数中），并在八个现实世界脑网络数据集上进行了广泛实验。结果显示，相对于传统 GNN，在不同的脑网络分析任务上，BN-GNN 对性能的提升更加显著。

    Mar, 2022

  • BrainGB: 基于图神经网络的脑网络分析基准

    使用结构或功能连接来绘制人脑的连通图已成为神经影像分析中最普遍的范例之一。 本文提出 BrainGB 作为探索有效的 GNN 设计的基准，来实现开放和可复现的基于 GNN 的大脑网络分析研究。

    Mar, 2022

  • 整体脑连接映射的多重图一体化方法比较研究

    本文提出了利用 CBT（连接性脑模板）这一工具来捕捉人类大脑网络的代表特征和独特之处，通过使用 DGN（深度图规范化器）等工具和方法，成功构建出一个统一的全貌式脑网络表示，并在多个数据集上进行了验证。

    Apr, 2022

  • 神经图：脑连接组学图机器学习基准

    介绍了一种名为 NeuroGraph 的开源 Python 软件包，它包含了一系列基于图形的神经影像数据集以及基准的实现、模型训练和标准评估，可以用于机器学习研究高维功能性神经影像数据的分析和预测。

    Jun, 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

  • 探寻视觉脑网络中直接功能连接的本质

    通过对 fMRI 时间序列的全面分析探索了不同类型的视觉脑网络 (VBN)，其中的图形特征分类结果显示 XGBoost 对于正相关的 VBN 的平均准确率范围为 86.5% 至 91.5%，比负相关的 VBN 高 2%，这不仅体现了每种图像复杂性特异性 VBN 的区分图形特征，也强调了研究正相关和负相关 VBN 以理解在观看不同复杂度的真实世界图像时大脑功能的不同的重要性。

    Mar, 2024

  • 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

  • 联合图卷积分析脑结构和功能联结网络

    本文提出将结构网络和功能网络耦合起来，提出一种联合图卷积网络（Joint-GCN）以分析结构和功能网络之间的关系，并在预测大脑白质网络年龄和性别方面进行应用，结果表明联合 - GCN 比现有的多模态图学习方法更有效。

    Oct, 2022

  • 基于连接组学的大脑疾病分析可解释化图神经网络

    该研究提出了一个可解释性的框架，用于分析特定于疾病的感兴趣区域和突出连接。该框架包括一个面向脑网络的预测模型和一个全局共享的解释生成器，该生成器突出了特定于疾病的生物标记物。实验证明，该框架可以获得出色的性能并识别有意义的生物标记物。

    Jun, 2022