跨模态变换生成对抗网络:用于阿尔茨海默病分析的脑结构功能深度融合网络
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
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
通过引入双向图生成对抗网络(BGGAN)、内部图卷积网络(InnerGCN)以及均衡器(Balancer),本研究提出了一种能够表示脑结构与功能之间连接的模型。在 ADNI 数据集上的实验结果表明,生成的结构连接和功能连接都能提高阿尔茨海默病(AD)的识别准确度,同时也发现脑结构与功能之间并不完全一一对应的关系,脑结构是脑功能的基础,强结构连接几乎都伴随着强功能连接。
Sep, 2023
本论文提出了一种新型的多分辨率时空增强变压器去噪网络,利用一个条件扩散过程将噪声和功能磁共振成像(fMRI)转换为对轻度认知障碍(MCI)进行分析的有效连接,该模型不仅预测性能卓越,而且能够识别与临床研究一致的 MCI 相关因果连接。
May, 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
通过引入一种名为 BrainNetDiff 的新方法,结合多头变换器编码器从 fMRI 时间序列中提取相关特征,并结合条件潜在扩散模型进行大脑网络生成,从图像到图形的融合,显著提高了大脑网络生成的准确性和稳定性,验证了该框架在构建健康和神经学受损队列中的大脑网络方面的适用性,实验证明了该方法在下游疾病分类任务中的显著效果,突出了大脑网络研究的前景价值,特别是在神经影像学分析和疾病诊断中的关键意义,为多模态大脑影像数据处理提供了有价值的参考,并为神经影像领域引入了一种新的高效解决方案。
Nov, 2023
本研究提出了基于扩散张量图像的端到端脑网络生成模型 Brain Diffuser,旨在分析结构脑网络的差异以获得结构连接性的更多特征和疾病相关信息,在阿尔茨海默病(AD)的情况下比现有工具包在 ADNI 数据库上展现出更好的性能表现。
Mar, 2023
阿尔茨海默病(AD)是认知能力逐渐下降的最常见的痴呆形式之一。本研究采用结构和功能性 MRI 探究了疾病引起的灰质和功能网络连接变化,并引入基因 SNP 作为第三个通道。我们提出了一种基于深度学习的分类框架,使用 Cycle GAN 生成模块来填补潜在空间中的缺失数据。通过整合梯度的可解释 AI 方法,提取了输入特征的相关性,增强了对学习表示的理解。实验结果表明,我们的模型能够在 CN/AD 分类中达到 SOA,平均测试准确率为 0.926±0.02。对于 MCI 任务,使用预训练模型进行 CN/AD 预测的平均准确率为 0.711±0.01。解释性分析揭示了与 AD 相关的皮层和皮下脑区的重要灰质调节,并确定了感觉运动和视觉静息态网络连接的损伤以及与淀粉样蛋白和胆固醇形成和清除调控相关的生物过程的 SNP 突变作为性能的贡献因素。总体而言,我们的综合深度学习方法在 AD 检测和 MCI 预测方面显示出潜力,同时为重要的生物学洞察提供了新的见解。
Jun, 2024