Nov, 2023

BrainNetDiff：基于多模态扩散模型的生成式人工智能助力脑网络生成

PDF
TL;DR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。
brain network analysisbrainnetdifffmri time seriesbrain network generationneuroimaging analysis
发现论文，激发创造
  • 一种端到端的脑图像到脑网络流水线：Brain Diffuser

    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

  • 多分辨率时空增强变压器去噪与功能扩散 GAN 构建 MCI 分析脑有效连接

    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

  • Brain-Diffuser: 使用生成潜在扩散从 fMRI 信号中重建自然场景

    利用神经解码技术和新型图像生成的巨大进展，我们提出了一个两阶段场景重建框架（Brain-Diffuser），它能够从 fMRI 信号中推断出场景的低级特征和整体布局，随后通过潜在扩散模型生成最终重建的图像。该方法在公开数据集基准测试中表现出色，在应用（例如脑机接口）和基础神经科学方面都有深远的影响。

    Mar, 2023

  • 基于分层 Transformer 的脑扩散器用于 MCI 因果分析

    提出了一种脑扩散器，利用层次化变换器来估计轻度认知障碍（MCI）分析的有效连接；该模型通过堆叠多头注意力和图卷积网络来增强结构 - 功能互补性并提高噪声估计能力，并有效地捕捉大脑区域之间的单向和双向相互作用。

    Dec, 2023

  • 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

    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

  • 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

  • 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

  • 利用图神经网络对脑结构和功能网络进行联合嵌入进行精神疾病诊断

    我们提出了一种基于多视图 GNN 和对比学习的方法，用于对多模态脑网络进行分析，并通过在两个现实疾病数据集上的实验证明了该方法的有效性。

    Jul, 2021

  • 多模态人脸生成与编辑的协同扩散

    本文提出了一种名为 Collaborative Diffusion 的模型，在不需要重新训练的情况下，利用多种单一模态扩展固有的单一模态扩散模型以实现多模态人脸生成和编辑。

    Apr, 2023

  • Phy-Diff: 物理导向的沙漏扩散模型用于扩散 MRI 合成

    本研究提出了一种基于物理原理的扩散模型来生成高质量的扩散磁共振成像，引入了扩散过程中的噪声演化物理原理和基于查询的条件映射，并通过采用适配器技术引入 XTRACT 图谱作为白质束的先验知识，实验结果表明我们的方法优于其他最先进的方法，并具有推进扩散磁共振成像增强的潜力。

    Jun, 2024