本研究提出了一种应用于静息状态 fMRI 体积的跨多尺度视角（全局尺度 - 脑网络水平和局部尺度 - 检查构成网络的每个个体 ROI）的技术，并利用深度学习的分类方法来理解神经退行性问题。提出的方法的创新之处在于利用了两种极端尺度的分析。一种分支考虑了整个网络在图分析框架内，同时第二种分支分别审查网络中的每个 ROI，重点关注动态演变。该方法用于对 50 个健康对照组（HC）和 50 个轻度认知损害（MCI）人群进行分类，结果表明：（1）MCI 组中的 ROI（如 PCC）活动减少，（2）MCI 组中的枕叶活动增加，这在 HC 组中未见，（3）在动态分析中，MCI 组中的所有 ROI 显示出更大的时间序列可预测性。

Feb, 2024

本文提出了一种基于大脑模块化的动态表示学习框架，利用图神经网络和神经认知模块进行核心区域的提取，以更好地利用脑功能网络的模块化结构，探究有效的 fMRI 生物标记物用于临床诊断。

Jun, 2023

本研究利用自监督对比学习方法和基于游程的神经网络模型，通过解剖学磁共振成像生成的结构性脑网络预测 MCI 向 AD 的转变，并可视化模型解释以识别白质通路异常变化。

Mar, 2022

利用循环卷积神经网络从 4 维功能磁共振成像记录中自动学习有用的表示，旨在利用功能性磁共振成像电影中的空间和时间信息（在全脑像素水平上）识别患有精神分裂症的患者。

Dec, 2017

使用拓扑学方法编码 fMRI 数据检测时间点后高维空间极小值的并归图，以此来处理数据集中的噪音及人与人之间的差异，并开发了一种聚类和轨迹分析的技术，成功分析儿童和成人在观看电影 “Partly Cloudy” 时的大脑状态和拓扑活动。

Jun, 2020

使用功能性磁共振成像（fMRI）对不同图像数据集进行复杂性特定的图像分类，研究神经活动与视觉相关的差异，发现并比较了不同网络模型在多类别分类中的性能，建立了研究人类大脑对不同复杂度图像反应的基准。

Sep, 2023

本文研究了自动分类方法的主要趋势，探讨了卷积神经网络和 MRI 在海马区 ROI 上融合的痴呆症诊断算法，以及通过数据增强来平衡不同大小的类别对分类结果的影响。

Jan, 2018

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

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

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