动态功能连接的机器学习:前景、陷阱与解读
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
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
本文介绍了一种自监督预训练框架,用于基于功能性磁共振(fMRI)数据的变压器。作者在两种自监督任务上预训练模型,以教授模型人类听觉皮层在音乐听取期间的时间和空间动态。作者的预训练结果表明,多任务训练对fMRI数据具有协同效应。作者在监督fMRI分类任务上发现,微调预先训练的模型和训练额外的新模型都能够显著提高准确性,证明了预训练任务促进迁移学习的能力。
May, 2023
本文介绍了一种新方法,使用顺序变分自编码器(SVAE)和神经常微分方程(NODE)来学习神经动力学的低维逼近。该方法产生的光滑动态可以准确地预测认知过程,并显示出对任务相关的脑区的改善空间定位并识别出著名的结构,如fMRI运动任务记录中的运动全身像。
May, 2023
介绍了一种名为NeuroGraph的开源Python软件包,它包含了一系列基于图形的神经影像数据集以及基准的实现、模型训练和标准评估,可以用于机器学习研究高维功能性神经影像数据的分析和预测。
Jun, 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
利用动态功能连接图中的时空信息,我们提出了一种生成式自监督学习方法,通过大规模fMRI数据集的实证结果表明,我们的方法在下游任务的微调中能够学习到有价值的表示,并构建出准确且稳健的模型。
Dec, 2023
利用功能磁共振成像(fMRI)和深度学习方法,我们提出一种名为BrainMAE的大脑掩码自编码器,能够从fMRI时间序列数据中学习表示,捕捉大脑活动的丰富时间动态并对数据中固有的噪声具有强大的鲁棒性,并在四个不同的下游任务中显著优于传统方法。
Jun, 2024
该研究针对多模态神经影像学中的异质性问题,提出了一种结合fMRI、DTI和sMRI的综合分析框架。通过权重差异化的神经连接掩膜策略,该方法提升了多模态影像数据的解释性,显著提高了预测准确性,揭示了关键的解剖特征和重要的神经连接,增进了对大脑结构与功能的理解。
Aug, 2024