通过高阶关注脑网络分析大麻使用者的静息态 fMRI 数据
本研究利用静息状态功能性磁共振成像序列研究了 ADHD 受试者的自动分类,计算脑部体素活动的配对相关性,使用网络特征训练 PCA-LDA 分类器,应用图形模式特征和脑部区域做脑图像,在分类性能,尤其是使用网络长度 3 的循环图提高诊断和了解该疾病的效力。
Jun, 2023
在临床医院环境中,使用磁共振成像(MRI)扫描,我们提出了一种基于分层注意力网络的异常检测方法。这种分层方法提高了分类精度,同时通过粗糙的切片异常定位或不同切片和序列的重要性评分来解释模型的结果,使其适用于放射科部门的自动分诊系统。
Nov, 2023
我们提出了一种分层动态图表示学习模型 (HDGL),该模型可以构建大脑网络图,并学习它们的空间和时间嵌入,并在嵌入学习后形成人群图并进行分类。通过在 ABIDE 和 ADHD-200 数据集上评估该模型的性能,结果显示在多种评估指标上相较于其他最先进的模型,该模型有所改善。
Nov, 2023
该研究提出了一种基于深度学习模型的帕金森病诊断方法,利用静息状态脑电图信号,通过提取复杂的隐藏非线性特征并展示其在未见数据上的泛化能力,该模型由卷积神经网络、双向门控循环单元和注意力机制构成,并在三个公开数据集上进行评估,结果表明该模型在训练和测试数据集上均能准确诊断帕金森病,即使输入信息的部分缺失也能表现良好。该研究结果对患者治疗和帕金森病早期检测持有重要意义,该提出的模型有望成为一种非侵入性且可靠的利用静息状态脑电图进行帕金森病早期检测的技术。
Aug, 2023
该研究探索了一种基于混合量子 - 经典算法的应用,用于基于认知衰退的重要性对早期认知障碍患者进行从安静态功能磁共振成像中获得的感兴趣区域时间序列数据的分类,通过经典一维卷积层与量子卷积神经网络的混合算法。在类似的训练条件下,所提出的混合算法在经典模拟中表现出比经典卷积神经网络更高的平衡准确性。此外,在模型性能的基础上,发现了 116 个脑区中的 9 个脑区(左侧前中央回、右上颞回、左侧罗兰迪操作、右侧罗兰迪操作、左侧海马旁回、右侧海马、左侧前额中央回、右侧小脑舟状核和小脑蚓部)对于分类具有相对有效的脑部区域。所选定的这 9 个脑区与认知衰退的相关性在之前的研究中得到了进一步的验证,通过基于种子的功能连接分析。我们证实了量子卷积神经网络的模型性能提升以及来自我们的混合量子 - 经典模型的脑区的神经科学有效性。
Mar, 2024
通过应用贝叶斯结构学习算法,该研究在传感器空间中学习了脑电图(EEG)的功能连接性,并将得到的功能连接图输入图卷积网络进行工作记忆负荷的分类,其在 154 名受试者的 6 种不同工作记忆负荷下表现出 95% 的最高分类准确性和 89% 的平均分类准确性,优于现有文献中提出的最先进的分类模型。此外,与最先进的功能连接估计方法进行跨受试者和同受试者的统计分析比较后,结果显示 alpha 波和 theta 波的分类准确性优于 beta 波。
Apr, 2024
本文提出了一种新颖且通用的注意力机制,可以学习不同数据模态之间的高阶相关性。 作者实验证明高阶相关性可以将适当的关注点引导到不同数据模态中的相关元素,来更好地解决联合任务,如视觉问答(VQA),在 VQA 标准数据集上实现了最先进的性能。
Nov, 2017
提出了一种基于 CASP-GAN 的协调空间注意力生成对抗网络,以及一种关注性生成跨模态分割方法,该方法在脑肿瘤分割中取得了比 CycleGAN 和部分前沿方法更好的结果。
Apr, 2023
该研究使用隐藏马尔科夫模型(HMM)来构建多层的带有时空结构的网络模型,探索动态脑活动和区域之间的交互。结果显示出支持神经熵理论的新证据,同时也支持原有的模块化处理假设。
Mar, 2022