Mar, 2024

探寻视觉脑网络中直接功能连接的本质

PDF
TL;DR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。
neuroimagingfunctional connectivitybrain networksimage complexityxgboost
发现论文，激发创造
  • 基于人类视觉的 fMRI 时间序列分析，探究观看复杂度不同图像时 BOLD 响应的变化

    通过使用 fMRI 时间序列分析，本研究旨在研究人类大脑对不同复杂度图像的神经变化，通过对公开的 BOLD5000 数据集进行图像分类和时间语义分割的实验，以揭示人类大脑在感知图像时 BOLD 信号的波动和变化。

    Sep, 2023

  • 跨视觉数据集中静态图像的 BOLD fMRI 时间序列编码：人类视觉的初步研究

    使用功能性磁共振成像（fMRI）对不同图像数据集进行复杂性特定的图像分类，研究神经活动与视觉相关的差异，发现并比较了不同网络模型在多类别分类中的性能，建立了研究人类大脑对不同复杂度图像反应的基准。

    Sep, 2023

  • 基于图像复杂性的 fMRI-BOLD 视觉网络分类方法：在视觉数据集上使用拓扑描述符和深度混合学习

    该研究提出了一种新的方法，研究使用与 COCO、ImageNet 和 SUN 等视觉数据集对应的 fMRI BOLD 时间序列构建的视觉网络的拓扑特征差异。通过计算每个视觉网络代表 COCO、ImageNet 和 SUN 的 0 维和 1 维持续图，并提取拓扑持久图的适当特征，进行 K-means 聚类。将提取的 K-means 聚类特征输入到一种新的深度混合模型，对这些视觉网络进行分类，可达到 90% 至 95% 的准确率。这种对不同视觉数据集进行视觉网络分类的研究对于理解视觉很重要，因为它捕捉到了在感知具有不同上下文和复杂性的图像时 BOLD 信号的差异。此外，该研究揭示了与每个数据集相关的视觉网络的独特拓扑模式，这可能为诊断视觉失认症或面孔失认症等视觉处理障碍，并跟踪视觉认知变化的发展未来的神经影像生物标记物的发展提供了潜在的线索。

    Nov, 2023

  • 单向脑机接口：人工神经网络将自然图像编码为视觉皮层的 fMRI 反应

    通过使用具有视觉和上下文输入的多模态模型 VISION，我们成功预测了人类大脑对自然图像的功能性磁共振成像（fMRI）扫描反应，其准确度超过了现有技术性能 45％，并揭示了不同视觉区域的表征偏差，生成了可实验检验的假设，并形成了可解释的指标将这些假设与皮层功能相关联，为设计和实现视觉皮层功能分析带来了降低成本和时间负担的可能性。通过计算模型的进化，我们的工作表明可能揭示出对视觉皮层的基本理解，并提供可靠的脑机接口的可行方法。

    Sep, 2023

  • 脑协方差选择：利用群体先验改进个体功能连接模型

    通过建立整个脑部的概率模型，利用群体数据来推断个体的脑连接结构，进而探索大规模的功能结构，以及首次展示已知的认知网络是如何成为功能连接图的集成社团的。

    Aug, 2010

  • 在功能连接研究中利用门控图变换器探索泛化智能

    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

  • 从功能性磁共振时间序列估计时变脑连通网络

    本文介绍了一种基于 Smooth Incremental Graphical Lasso Estimation (SINGLE) 算法的动态脑网络建模方法。通过应用 SINGLE 算法来分析 24 位健康患者进行选择 - 反应任务的功能磁共振成像数据，研究人员展示了伴随着认知任务的动态网络结构变化，特别是右侧额下回皮质区域的动态变化对于认知控制总起着重要作用，并可能在调控其他脑区之间的平衡中扮演关键角色。

    Oct, 2013

  • 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

  • 通过条件 ViT-GANs 实现结构 MRI 和功能连接网络的跨模态综合

    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

  • 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