该研究提出了一种基于 T1-MRI 的新型动态结构脑网络构建方法，该方法可以动态定位关键区域并限制其层次分布，用于结构化的脑网络构建，以预测轻度认知障碍（MCI）病例的转化情况并取得最佳效果。

May, 2023

本文介绍了一种用于分类脑网络的新方法：通过提取对比子图来建立简单而可解释的模型，该方法在分类准确度上表现优异，并在分析自闭症谱系障碍儿童和正常儿童的脑网络数据集时发现了与神经科学文献中的背景知识相符的有趣模式。

Jun, 2020

本文提出了一个名为 BN-GNN 的新型脑网络表示框架，使用深度强化学习技术训练元策略以自动确定给定脑网络所需的最优特征聚合数量（反映在 GNN 层数中），并在八个现实世界脑网络数据集上进行了广泛实验。结果显示，相对于传统 GNN，在不同的脑网络分析任务上，BN-GNN 对性能的提升更加显著。

Mar, 2022

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

本研究针对 MRI 中的次皮质脑结构分割，提出了一种 3D 全卷积神经网络。通过采用小核允许更深层次的架构，将中间层输出嵌入到最终预测中，提高了特征提取的一致性和细粒度信息的准确性。在两个公开数据集上的实验表明，该方法在大规模神经解剖学成像研究中具有很强的鲁棒性和高效性。

Dec, 2016

用 Deep Signed Brain Networks（DSBN）建立了一种新的图学习框架，以连接两种脑网络，以预测临床表型和神经退行性疾病，结果显示其优于其他现有方法。

May, 2022

本文提出了一种新颖的利用多种辅助视图来挖掘有效的子图特征进行分类的方案，称为 gMSV，它可以显著提高神经系统疾病分类性能并与疾病诊断有关。

Aug, 2015

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

本文提出了一种受图卷积网络启发的机器学习模型，针对基于扩散磁共振图像的脑连接性进行分类。该模型通过并行地使用具有多个头的图形卷积机制对脑连接输入图进行处理，并使用不同的头涉及图卷积来捕获输入数据的表示，证明了在两个公开数据集上比现有的机器学习算法展现出更高的性能，包括经典方法和 (图形和非图形) 深度学习。

May, 2023

使用静息态功能磁共振成像技术 (RsfMRI)，本文提出了一种名为 BrainRGIN 的新型建模架构，通过在静态功能网络连接矩阵上使用图神经网络，预测智力 (流体、晶体和总体智力)。在青少年大脑认知发展数据集上评估了我们的模型，证明了其在预测智力个体差异方面的有效性。我们的模型在智力预测任务的均方根误差和相关性得分上均优于现有的相关图形架构和其他传统的机器学习模型。中央额叶回对流体和晶体智力都有显著的贡献，表明它们在这些认知过程中起着关键的作用。总复合分数识别出一组与大脑相关的多样区域，凸显了总智力的复杂性。

Nov, 2023