一种基于功能连接性的生成式自监督框架用于 fMRI 数据
基于功能连接和神经影像数据,引入了门控图神经转换器(GGT)框架来预测认知指标,通过在费城神经发育队列(PNC)上进行实证验证,强调了该模型在识别与人类认知过程相关的关键神经连接方面的潜力。
Jan, 2024
提出了一种名为 STAGIN 的方法,该方法可以学习到大脑连通性的动态图表示,其中包括空间 - 时间关注的新型读取功能和变压器编码器,对 HCP - 休息和 HCP - 任务数据集的实验表现优异,并且具有与神经科学知识的相应解释。
May, 2021
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
提出了一种具有个性化分支的特异性感知的联邦图学习 (SFGL) 框架,用于静息状态功能磁共振成像 (rs-fMRI) 分析和自动脑疾病识别,通过集中模型聚合和预测,在多个客户 / 站点之间促进知识共享,并保留站点特异性。
Aug, 2023
通过模型解释技术,本文综述了图神经网络在功能磁共振成像数据集上应用于疾病预测任务中的应用,特别关注所生成的神经变性疾病和神经精神障碍的潜在生物标记的稳健性,并建议建立新的标准来评估这些潜在生物标记的稳健性。
May, 2024
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
本研究使用条件视觉变换生成对抗网络(cViT-GANs)基于 sMRI 输入生成 FNC 数据,为精神分裂症等领域的医学影像研究提供了新的探索,实验结果显示 cViT-GAN 模型能够有效地合成每个个体的 FNC 矩阵,并获得与实际 FNC 矩阵的 0.73 的皮尔逊相关系数,同时展示了模型捕捉特定脑部区域的结构 - 功能关联的能力,与 Pix2Pix 等条件卷积神经网络(CNN)的生成对抗网络相比具有更好的性能。
Sep, 2023
通过采用深度学习模型进行疾病识别和解释模型进行后续分析,我们提出了一个新的统一框架来集成诊断和解释,并通过仿真逆转诊断信息的功能连接来验证其有效性,并在对疾病相关的神经模式进行分析。
Oct, 2023
本文提出了一种对脑网络进行图神经网络分析的方法,名为 ContrastPool,以满足功能性磁共振成像数据的特殊需求,并在神经退行性疾病的研究中展示了其优势。
Jul, 2023