May, 2024

基于功能磁共振成像的脑网络分析增强与计算工具箱

PDF
TL;DR我们开发了一个称为 ACTION 的开源工具箱，提供了全面的功能来简化 fMRI 分析，该工具箱支持自动化 fMRI 数据增强、构建脑网络以及使用传统和深度学习模型进行分析，并且可以通过脚本设计和测试自定义算法。
fmridata augmentationmachine learning modelsdeep learning modelsbrain network analysis
发现论文，激发创造
  • FMRI 数据增强合成

    本研究使用经典方法和现代隐式生成模型对神经影像数据集进行了合成增广，能够 “改善预测 fMRI 模型的质量”，并且在预测认知和行为结果方面得到了较好的性能提升。

    Jul, 2019

  • 通过功能性脑网络生成进行有效和可解释的 fMRI 分析

    本文提出了一个可训练的流程，以促进 fMRI 数据的分析和下游预测任务。结果表明，该流程能够更有效并独特地进行解释。

    Jul, 2021

  • FBNETGEN: 基于任务感知的基于 GNN 的 fMRI 分析方法：通过功能性脑网络生成

    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

  • 基于任务型 fMRI 学习顺序信息的合成数据增强

    该论文提出了一种生成合成 fMRI 序列的方法，以创建增强的训练数据集，并通过视觉化和自闭症谱系障碍（ASD）分类任务的评估结果表明，合成的任务特定 fMRI 可以在学习 ASD 分类任务中提供有效的数据增强。

    Aug, 2023

  • fMRI 数据的统计分析

    本文讨论了使用 fMRI 数据进行分析的过程，从原始数据的获得到在定位大脑活动、推断大脑连通性和预测心理或疾病状态方面的应用，并强调统计学在这一领域中的关键作用。

    Jun, 2009

  • BrainNetDiff：基于多模态扩散模型的生成式人工智能助力脑网络生成

    通过引入一种名为 BrainNetDiff 的新方法，结合多头变换器编码器从 fMRI 时间序列中提取相关特征，并结合条件潜在扩散模型进行大脑网络生成，从图像到图形的融合，显著提高了大脑网络生成的准确性和稳定性，验证了该框架在构建健康和神经学受损队列中的大脑网络方面的适用性，实验证明了该方法在下游疾病分类任务中的显著效果，突出了大脑网络研究的前景价值，特别是在神经影像学分析和疾病诊断中的关键意义，为多模态大脑影像数据处理提供了有价值的参考，并为神经影像领域引入了一种新的高效解决方案。

    Nov, 2023

  • 分析复杂的功能性脑网络：融合统计学和网络科学来理解大脑

    通过结合网络科学和统计方法，将在功能神经影像研究中产生强大的分析工具，以促进我们对大脑功能及不同脑疾病的理解。

    Feb, 2013

  • 可解释性脑网络分类的对比图池化

    本文提出了一种对脑网络进行图神经网络分析的方法，名为 ContrastPool，以满足功能性磁共振成像数据的特殊需求，并在神经退行性疾病的研究中展示了其优势。

    Jul, 2023

  • ATOMMIC：一种提供医学图像一致性多任务工具箱，促进从获取到磁共振成像分析的人工智能应用

    AI 正在改变 MRI 的采集和处理过程，ATOMMIC 是一个开源工具箱，通过实现 DL 网络和多任务学习 (MTL) 来应用 AI 于加速 MRI 重建和分析，结合物理模型与分割网络可以提高 MRI 重建和图像分割的性能。

    Apr, 2024

  • 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