本研究提出了一种全局和局部信息相结合的转换器，将局部细节和全局信息相结合，利用注意机制根据磁共振成像（MRI）数据进行快速脑龄估计。该方法在8个公共数据集上进行验证，相比现有方法，其均方误差为2.70岁，相关系数为0.9853，同时提供了与脑龄估计相关的信息。

Sep, 2021

本文提出了使用深度学习模型通过MRI数据预测大脑结构的年龄从而提高异常检测的准确性，并且该方法可用于神经疾病差异诊断的多病种分类任务。

Apr, 2023

本文提出了一种简单的完全卷积网络(SFCNeXt)，用于在小型队列中估计大脑年龄。该SFCNeXt由Single Pathway Encoded ConvNeXT (SPEC)和Hybrid Ranking Loss (HRL)组成，旨在以轻量级方式估计大脑年龄，并在每个批次的受试者的MRI、年龄和排名特征方面提供充分的探索。实验结果表明了我们方法的优越性和高效性。

May, 2023

本文介绍了一种使用机器学习模型和开放的健康大脑数据集（OpenBHB dataset）的新的脑龄评估框架，该框架整合了三种不同的MRI衍生区域特征和不同的回归模型，可高度精确地评估脑龄，对于认识神经学疾病和与年龄相关的大脑变化具有重要意义。

Jun, 2023

通过加权的实证风险最小化方法，在多个神经影像研究中利用机器学习模型诊断老年痴呆症（AD）、精神分裂症（SZ）和估计脑龄，实现了对数据的泛化和预测，具备较好的鲁棒性。

Aug, 2023

深度学习模型通过磁共振成像在估计大脑年龄方面取得了最先进的结果。我们将年龄预测问题从全局预测转化为图像回归问题，比较了基于体素的年龄预测模型与基于全局的模型以及它们对应的显著性地图。结果表明，基于体素的年龄预测模型更具解释性，因为它们提供了关于大脑衰老过程的空间信息，并从定量化中受益。

Aug, 2023

通过深度学习模型进行局部脑龄预测，发现健康人和有神经疾病（如痴呆和阿尔茨海默病）的人之间存在脑龄差异。

Oct, 2023

Triamese-ViT是一种创新的ViT模型适用于脑龄估计，通过整合三个不同方向的ViTs模型来捕捉三维信息，显著提高了准确性和可解释性，对MRI扫描的测试结果表明，Triamese-ViT的平均绝对误差为3.84，与实际年龄的0.9斯皮尔曼相关系数以及脑龄差和实际年龄的-0.29斯皮尔曼相关系数，明显优于以前的脑龄估计方法。Triamese-ViT的一个关键创新是能够生成综合的类似三维的注意力图，由每个方向特定的ViT的二维注意力图合成，这个特性对于深入研究脑龄分析和疾病诊断非常有益，可以提供更深入的脑健康和年龄相关神经变化机制的洞察。

Jan, 2024

通过分析磁共振成像（MRI）数据，利用深度学习技术准确估计大脑年龄是有潜力的，但现有方法往往直接利用整个输入图像，忽视了两个重要考虑因素：1）大脑老化的异质性，即不同脑区可能以不同速率退化，和2）大脑结构中存在与年龄无关的冗余信息。为了克服这些局限性，我们提出了一种基于双图注意的解耦多实例学习（DGA-DMIL）框架以改善大脑年龄估计。我们通过将3D MRI数据视为一组实例，输入到2D卷积神经网络主干中，以捕捉MRI中独特的老化模式。然后，提出了一个双图注意聚合器，通过利用实例内和实例间的关系学习主干特征。此外，我们还引入了一个解耦分支，以将与年龄相关的特征与与年龄无关的结构表示分离，以改善冗余信息对年龄预测的干扰。为了验证所提出的框架的有效性，我们对包含35,388名健康个体的UK Biobank和ADNI两个数据集进行评估。我们的模型在UK Biobank中显示出令人瞩目的准确性，达到了2.12年的平均绝对误差。与其他竞争的大脑年龄估计模型相比，我们的方法已成为最先进的。此外，实例贡献分数在年龄预测中识别了不同脑区的重要性，为对大脑老化的理解提供了更深入的洞察。

Mar, 2024

通过使用3D卷积神经网络模型，本研究提出了一种鲁棒的脑龄估计方法，避免了模型在不同数据集上的重新训练，该方法利用了空间注意力模块的想法，通过共享权重来将注意力集中于特定的脑区，以获得准确的年龄估计，从而取得了更好的成果。

Jul, 2024