Dec, 2023

通过亚社团检测在轻度认知障碍中定位和评估默认模式网络节点的重要性

PDF
TL;DR利用 fMRI 技术，我们采用全新的节点显著性评分（NSS）来确定受轻度认知障碍（MCI）影响的大脑区域（位于默认模式网络（DMN）中的节点），通过对构成 DMN 的感兴趣区（ROIs）进行部分相关性分析建立个体特定的 DMN 图。对 DMN 图，ROIs 即节点，边根据部分相关性来确定。我们应用四种常用的社区检测算法（Clique Percolation Method（CPM），Louvain 算法，Greedy Modularity 和 Leading Eigenvectors）来确定最大子社区。通过考虑（I）在一个类中的最大子社区中全部个体的频率和（II）在全部四种方法中的最大子社区中出现的情况，为每个节点计算 NSS 评分。计算了健康和 MCI 个体中每个 ROIs 的 NSS 后，我们量化了评分差异以确定 MCI 影响最大的节点，结果揭示了超过 20％的差异对于 10 个 DMN 节点，其中海马后回和颞上回的差异最大，分别达到了 45.69％和 43.08％。这与现有的医学文献相一致，并提供了一个定量的度量方法，可以对受影响的 ROIs 进行排序。这些发现提供了有价值的洞见，并可能带来针对受影响节点的积极治疗策略。
fmridefault mode networkmild cognitive impairmentcommunity detection algorithmsaffected nodes
发现论文，激发创造
  • 多尺度功能磁共振成像时间序列分析用于理解轻度认知功能障碍的神经退行性变化

    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

  • 基于 T1-MRI 脑网络的认知损害转化预测的自适应关键子图挖掘

    提出一种名为 Brain-SubGNN 的新颖图形表示网络，用于挖掘和增强基于 T1-MRI 的关键子图，该网络提供了子图级别的解释，增强了图形分析的可解释性和洞察力，通过提取节点特征和节点之间的相关矩阵构建任务导向的脑网络，并自适应地识别和增强关键的子图，捕捉回路和邻居子图，反映远程连接的回路拓扑和局部变化，同时保持局部和全局脑属性，广泛的实验证实了 Brain-SubGNN 的有效性和优势，证明其作为了解和诊断早期痴呆症的强大工具的潜力。

    Mar, 2024

  • 利用磁共振成像多特征整合灰白质信息对帕金森病患者亚型进行标记

    使用基于互相关的最近邻（MKNN）阈值化方法对帕金森病患者的脑网络进行分析，并发现了不同亚型之间的显著差异。

    Mar, 2024

  • 利用功能磁共振成像时间序列的沉降图嵌入进行轻度认知障碍检测

    通过使用脑部网络的静息态功能磁共振成像技术，本研究采用复发图方法对 100 名受试者的脑部网络进行分析，并通过自编码器得出低维特征嵌入，得到 93% 的分类准确率，证明了该方法的潜力。

    Nov, 2023

  • 一种全局特征提取模型，用于利用结构性 MRI 图像有效辅助诊断轻度认知障碍

    利用机器学习计算法，针对阿尔茨海默病 （Alzheimer's disease）采用多模式生物标志物来帮助早期诊断。其中，最近研究的高斯判别分析（GDA）方法用于分类阿尔茨海默病的效果更加有效和准确，特别是对轻度认知障碍的早期诊断具有重要意义。可以通过采取全局特征提取模型，显著提高早期阿尔茨海默病诊断的性能比采用局部特征提取方法更好。

    Dec, 2017

  • 跨个体检测功能性脑网络的动态社群结构：一种多层方法

    使用统一的统计框架，提出了 MSS-SBM 方法，可以跨个体并能捕捉时间上的演化，用于大量 multi-subject 的人脑功能网络的群体分析，应用于任务 fMRI 的分析中，探测了动态重构特征和不同任务条件下的 community connectivity 独特性。

    Apr, 2020

  • 多模态神经影像注意力模型用于认知衰退预测

    该研究提出了一种新的多模态神经影像关注机制的卷积神经网络结构，MNA-net，用于预测在 10 年内正常认知个体是否会发展为轻度认知障碍或阿尔茨海默病。通过使用注意机制形成 MRI 和 PET 图像的共享表示，MNA-net 在 OASIS-3 数据集上进行了测试，并具有 83% 的准确率，80% 的真阴性率和 86% 的真阳性率，相比之前的工作准确率和真阴性率分别提高了 5% 和 10%，这些结果表明了该模型在预测认知衰退方面的潜力和通过融合不同神经影像模态的关注机制来改进预测的能力。

    Dec, 2023

  • 自我关注机制和潜在空间项目 - 响应模型的功能磁共振连接可解释融合分析框架

    本文提出一种基于深度学习和功能连接网络分析的认知障碍疾病分类方法，通过自注意力模型和潜空间项目 - 响应交互网络模型解释分类结果，发现与其他疾病不同的显著功能连接模式。

    Jul, 2022

  • 社区检测方法评估

    本文提出了一种方法，将计算出的社区标签映射到基准标签中，并使用 kappa 指数和 F-score 来评估检测到的社区结构。实验结果证明了我们方法的优势，解决了现有指标在计算社区结构质量时出现的问题。

    Jul, 2018

  • 结构性 MR 和 FDG-PET 图像的多模态和多尺度深度神经网络用于早期诊断阿尔茨海默病

    本文提出了一个利用多模态和多尺度深度神经网络的新框架来早期诊断阿尔茨海默病，能够更好地表征人脑变化，并比现有文献的结果具有更好的区别能力。该方法在 3 年内预测致残的受试者的准确度为 85.68％。

    Oct, 2017