提出了一种新的基于图编辑距离的方法，用于比较大脑图并直接反映出相似性及网络元素对应关系，从而更准确地表示个体网络的相似性和变化，并在一个双胞胎数据集上进行了验证。

Mar, 2017

提出了一种脑扩散器，利用层次化变换器来估计轻度认知障碍（MCI）分析的有效连接；该模型通过堆叠多头注意力和图卷积网络来增强结构 - 功能互补性并提高噪声估计能力，并有效地捕捉大脑区域之间的单向和双向相互作用。

Dec, 2023

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

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

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

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

通过比较深度学习和几何深度学习的各种建模技术来为未来的研究铺平道路，以有效利用典型的 fMRI 数据集以及其他类似数据集的丰富的时空域，从而为人们对健康和疾病中大脑动态的更加细致的理解、以及减少对专业临床专家的需求提供方法。

Feb, 2020

本文探讨了基于 Transformer 模型的脑网络分析方法。通过将脑网络构建为固定大小和顺序的图形，使用连接特征提供自然低成本的位置信息，学习不同个体之间具有高预测性的特征强度。基于自监督软聚类和正交投影的正交聚类读取操作包含确定相似行为的基础功能模块，导致具有区分性的簇感知节点嵌入和信息丰富的图嵌入。该方法在公开 ABIDE 和经过限制的 ABCD 数据集上实现了明显的改善，代码实现可以在该 https URL 获取。

Oct, 2022

本研究提出了基于扩散张量图像的端到端脑网络生成模型 Brain Diffuser，旨在分析结构脑网络的差异以获得结构连接性的更多特征和疾病相关信息，在阿尔茨海默病（AD）的情况下比现有工具包在 ADNI 数据库上展现出更好的性能表现。

Mar, 2023

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