利用磁共振成像多特征整合灰白质信息对帕金森病患者亚型进行标记
本文提出了一种新的算法，Unique Brain Network Identification Number (UBNIN)，用于编码个体的大脑网络，并使用这种算法对帕金森病患者进行研究。结果表明，UBNIN 的数值对于每个大脑网络都是独特的，这可以作为人类大脑连接的神经表征，同时该算法方法可以用于其他神经影像学模态。在年龄层面上，该研究发现随着稀疏度的增加，在不同年龄组之间的平均聚类系数是不同的，这提供了关于年龄相关性脑萎缩和网络退化的证据。
Jun, 2023
提出一种名为 Brain-SubGNN 的新颖图形表示网络，用于挖掘和增强基于 T1-MRI 的关键子图，该网络提供了子图级别的解释，增强了图形分析的可解释性和洞察力，通过提取节点特征和节点之间的相关矩阵构建任务导向的脑网络，并自适应地识别和增强关键的子图，捕捉回路和邻居子图，反映远程连接的回路拓扑和局部变化，同时保持局部和全局脑属性，广泛的实验证实了 Brain-SubGNN 的有效性和优势，证明其作为了解和诊断早期痴呆症的强大工具的潜力。
Mar, 2024
利用 fMRI 技术，我们采用全新的节点显著性评分（NSS）来确定受轻度认知障碍（MCI）影响的大脑区域（位于默认模式网络（DMN）中的节点），通过对构成 DMN 的感兴趣区（ROIs）进行部分相关性分析建立个体特定的 DMN 图。对 DMN 图，ROIs 即节点，边根据部分相关性来确定。我们应用四种常用的社区检测算法（Clique Percolation Method（CPM），Louvain 算法，Greedy Modularity 和 Leading Eigenvectors）来确定最大子社区。通过考虑（I）在一个类中的最大子社区中全部个体的频率和（II）在全部四种方法中的最大子社区中出现的情况，为每个节点计算 NSS 评分。计算了健康和 MCI 个体中每个 ROIs 的 NSS 后，我们量化了评分差异以确定 MCI 影响最大的节点，结果揭示了超过 20％的差异对于 10 个 DMN 节点，其中海马后回和颞上回的差异最大，分别达到了 45.69％和 43.08％。这与现有的医学文献相一致，并提供了一个定量的度量方法，可以对受影响的 ROIs 进行排序。这些发现提供了有价值的洞见，并可能带来针对受影响节点的积极治疗策略。
Dec, 2023
本研究通过总结一些方法，对完全联通和加权的复杂网络中的模块度和中心度进行了推广，并介绍了这些网络的加权连通性空模型。通过运用这些方法，本研究展示了在来自 1000 个功能连接组项目的静息态功能性磁共振成像（MRI）网络中的退化高模块度划分和中心度的两个互补测量之间的强相关性。这些方法可能使得跨条件和受试者比较的功能性大脑网络的特性更加牢固和可靠。
Mar, 2011
该研究描述了一种能在任意分辨率和对比度（包括低场可移动磁共振成像）的扫描中，无需重新训练即可分割白质高信号和 36 个脑区域的方法，并展示了在多个数据集和高 / 低场扫描的强相关性结果。
Dec, 2023
本研究提出了一种应用于静息状态 fMRI 体积的跨多尺度视角（全局尺度 - 脑网络水平和局部尺度 - 检查构成网络的每个个体 ROI）的技术，并利用深度学习的分类方法来理解神经退行性问题。提出的方法的创新之处在于利用了两种极端尺度的分析。一种分支考虑了整个网络在图分析框架内，同时第二种分支分别审查网络中的每个 ROI，重点关注动态演变。该方法用于对 50 个健康对照组（HC）和 50 个轻度认知损害（MCI）人群进行分类，结果表明：（1）MCI 组中的 ROI（如 PCC）活动减少，（2）MCI 组中的枕叶活动增加，这在 HC 组中未见，（3）在动态分析中，MCI 组中的所有 ROI 显示出更大的时间序列可预测性。
Feb, 2024
通过实验对复杂的层次结构进行二元化进行功能连接状态的建模，旨在探究阈值，发现 CST 相对于其它二元化方法在 EEG 功能连接状态的拓扑建模和网络攻击的鲁棒性方面表现突出，提供了关于在 EEG 功能连接研究中考虑大量边缘信息密度的相关证据
Oct, 2016
本研究提出了一种名为 Probabilistic TransUNet 的方法来解决医学图像中小物体分割的准确性和模糊性问题，并通过 k 折交叉验证和跨数据集鲁棒性实验表明加入概率模型和使用基于 Transformer 的方法可以取得更好的性能。
May, 2023
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
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