提出了一种名为交叉模态变换生成对抗网络（CT-GAN）的新模型，能够从功能磁共振成像（fMRI）和扩散张量成像（DTI）中有效地融合功能和结构信息，并通过分析生成的连接特征来识别与阿尔茨海默病相关的大脑连接。评估结果表明，该模型能够显著提高预测性能，有效地检测与阿尔茨海默病相关的大脑区域，并为检测与该病相关的异常神经回路提供了新的见解。

Sep, 2023

研究探索了在阿尔茨海默病的语境中使用生成对抗网络（GAN）从功能网络连接和 T1 加权结构磁共振成像数据中生成相应的数据，并通过集成弱监督的方式提高数据过渡的质量。结果显示模型具有良好的相似性和相关性，并在阿尔茨海默病患者的脑部图像中发现了特定的变化模式。

May, 2024

本研究提出了 Bargrain，它通过使用图卷积网络模拟了两种图结构：过滤后的相关矩阵和最优样本图，旨在既得益于这两种图结构，又解决了仅依赖单一结构的限制。大量实验证明，Bargrain 在脑部疾病数据集的分类任务中，以平均 F1 分数为衡量指标，胜过了现有方法。

Dec, 2023

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

考虑到多模态神经影像具有互补信息，本文提出了一种新的层次结构 - 功能连接融合（HSCF）模型，并在 ADNI 数据库上进行了测试，结果显示该模型在分类评估方面的表现优于其它竞争模型，能够更好地生成脑结构 - 功能连接并识别认知疾病的异常大脑连接。

Jun, 2023

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

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

一种名为 DiffGAN-F2S 的模型被提出，通过脑 fMRI 预测脑的结构连接，并在公开的 ADNI 数据集上展现出优越的性能，能够识别重要的脑区和连接，提供了一种多模态脑网络融合和临床疾病分析的替代方案。

Sep, 2023

该研究提出了一种结合了伽玛校正和脑结构专注的神经退化卷积神经网络（SNeurodCNN）的机器学习框架，用于区分早期阿尔茨海默病（AD）和轻度认知障碍（MCI），通过实验证明该模型在诊断及特定脑区变化的准确性、特异性和敏感性方面表现出色，成为早期 AD 诊断的潜在大脑结构变化数字生物标志物。

Jan, 2024

本研究提出了一种使用自适应闸门图卷积网络病诊断的方法，基于脑功能连通性图结构和节点特征增强的卷积方法，实现了对阿尔茨海默病患者的较高精确度预测，并提供了说明预测的一致解释的可能，有助于进一步研究 AD 相关的大脑网络变化。

Apr, 2023