Jan, 2024

在功能连接研究中利用门控图变换器探索泛化智能

PDF
TL;DR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。
functional connectivityfmrigraph neural networksneuroimaging dataggt framework
发现论文，激发创造
  • 一种基于功能连接性的生成式自监督框架用于 fMRI 数据

    利用动态功能连接图中的时空信息，我们提出了一种生成式自监督学习方法，通过大规模 fMRI 数据集的实证结果表明，我们的方法在下游任务的微调中能够学习到有价值的表示，并构建出准确且稳健的模型。

    Dec, 2023

  • 超越 ' 快照 ': 基于脑片段化图形转换器的纵向脑功能连接图嵌入

    本研究提出了第一个对脑部功能连接轨迹进行嵌入的可解释框架，即脑部 TokenGT，该方法在神经变性疾病诊断和预后方面的表现优于所有其他基准模型，同时提供了出色的可解释性。

    Jul, 2023

  • 使用时空注意力学习脑连通图的动态图表示

    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

  • 联合图卷积分析脑结构和功能联结网络

    本文提出将结构网络和功能网络耦合起来，提出一种联合图卷积网络（Joint-GCN）以分析结构和功能网络之间的关系，并在预测大脑白质网络年龄和性别方面进行应用，结果表明联合 - GCN 比现有的多模态图学习方法更有效。

    Oct, 2022

  • 基于连接组学的大脑疾病分析可解释化图神经网络

    该研究提出了一个可解释性的框架，用于分析特定于疾病的感兴趣区域和突出连接。该框架包括一个面向脑网络的预测模型和一个全局共享的解释生成器，该生成器突出了特定于疾病的生物标记物。实验证明，该框架可以获得出色的性能并识别有意义的生物标记物。

    Jun, 2022

  • 大规模动态脑连接图的图表示学习与 Transformer

    使用图变换器学习动态功能连接性的表示，实验证明我们的方法在基于 fMRI 数据提取的功能连接性的性别分类和年龄回归任务中优于竞争基准。

    Dec, 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

  • 功能图卷积网络：一个统一的多任务和多模态学习框架以促进健康和社会护理洞察

    该论文介绍了一种新颖的功能图卷积网络 (funGCN)，它结合了功能数据分析和图卷积网络，以解决数字健康和纵向研究中的多任务和多模式学习的复杂性问题。通过模拟实验和真实数据应用的验证，证实了 funGCN 的有效性。

    Mar, 2024

  • 基于功能连接的神经障碍诊断的可学习对应病因分析框架

    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

  • 探寻视觉脑网络中直接功能连接的本质

    通过对 fMRI 时间序列的全面分析探索了不同类型的视觉脑网络 (VBN)，其中的图形特征分类结果显示 XGBoost 对于正相关的 VBN 的平均准确率范围为 86.5% 至 91.5%，比负相关的 VBN 高 2%，这不仅体现了每种图像复杂性特异性 VBN 的区分图形特征，也强调了研究正相关和负相关 VBN 以理解在观看不同复杂度的真实世界图像时大脑功能的不同的重要性。

    Mar, 2024