AFBT GAN:通过反事实生成对抗网络提升认知衰退的解释能力和诊断性能
研究探索了在阿尔茨海默病的语境中使用生成对抗网络(GAN)从功能网络连接和 T1 加权结构磁共振成像数据中生成相应的数据,并通过集成弱监督的方式提高数据过渡的质量。结果显示模型具有良好的相似性和相关性,并在阿尔茨海默病患者的脑部图像中发现了特定的变化模式。
May, 2024
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
提出了一种名为交叉模态变换生成对抗网络(CT-GAN)的新模型,能够从功能磁共振成像(fMRI)和扩散张量成像(DTI)中有效地融合功能和结构信息,并通过分析生成的连接特征来识别与阿尔茨海默病相关的大脑连接。评估结果表明,该模型能够显著提高预测性能,有效地检测与阿尔茨海默病相关的大脑区域,并为检测与该病相关的异常神经回路提供了新的见解。
Sep, 2023
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
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
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
提出了一个统一框架,利用图像到图像转换生成对抗网络 (GANs) 生成对抗性样本,以增强可解释性,并扩充数据集以提高对抗性鲁棒性。该框架通过将分类器和辨别器结合成一个单一模型,将真实图像归类为相应的类别,并将生成的图像标记为 “伪造”,以实现这一目标。在具体裂缝的语义分割任务中,评估了方法的有效性,并在水果缺陷检测问题上评估了模型对投影梯度下降 (PGD) 攻击的鲁棒性。我们生成的显著性地图具有很高的描述性,尽管仅在分类标签上进行训练,但与传统分割模型相比,其竞争性 IoU 值表现。此外,该模型对抗性攻击的鲁棒性得到了改善,并展示了辨别器的 “伪造” 值作为预测的不确定性度量。
Oct, 2023
通过使用我们提出的框架,综合对应于反事实的结构性磁共振图像,并将其转化为灰质密度图来衡量其在感兴趣区域(ROI)中的体积变化,本研究通过采用一个轻量级的线性分类器来增强构建的 ROIs 的有效性,进而实现了定量诠释,达到了与深度学习方法相当的预测性能,该框架为每个感兴趣区域提供了一个 “与阿尔茨海默病相关性指数”,从而直观地理解个体患者和患者组与阿尔茨海默病进展的大脑状态。
Oct, 2023
本文提出了反事实图(counterfactual graphs)作为黑盒图分类器的后解释,然后提出和比较了几种反事实图搜索策略。测试结果表明,虽然该方法是启发式的,但它可以产生非常接近最优反事实图的结果,并展示如何使用反事实图来构建全局解释,以正确捕获不同黑盒分类器的行为并为神经学家提供有趣的见解。
Jun, 2021