Marker Genes for Anatomical Regions in the Brain: Insights from the Allen Gene Expression Atlas
定量标准被提出来识别其表达标记特定脑区域（或一组脑区域）的基因（和基因组）。基因表达能量，获得数以千计的小鼠基因的原位杂交图像在艾伦基因表达图谱的数字化，被用来测试这些方法在小鼠大脑。单个基因通过其在大脑区域的表达能量的积分进行排名。的排名是广义的基因集和经典区域的最佳标记的问题得到线性代数的解决方案。此外，基因的表达谱与脑区域的谱的拟合的良好性与基因的共表达密切相关。这一事实的几何解释导致一个定量的标准来检测标记对大脑区域。基因表达谱的局部特性也用于检测将给定的谷物区域与其环境分开的基因。
2011-05-06 q-bio.NC q-bio.QM
Anatomical Pattern Analysis for decoding visual stimuli in human brains
Nanjing University of Aeronautics and Astronautics（南京航空航天大学）
背景：在神经科学和机器学习中，一个普遍的未回答的问题是计算机是否可以解码人脑的模式。多体素模式分析（MVPA）是解决这一问题的关键工具。然而，在以前的MVPA方法中存在两个挑战，这包括减少提取的特征中的稀疏性和噪声以及提高预测性能。方法：在克服上述挑战，本文提出了解剖模式分析（APA）解码的视觉刺激在人脑中。该框架开发了一种新的解剖特征提取方法和一种新的不平衡AdaBoost算法进行二进制分类。此外，它利用纠错输出码（ECOC）方法进行多类预测。APA可以自动检测每个类别的视觉刺激的活动区域。此外，它使我们能够结合同质数据集应用高级分类。结果和结论：对4个视觉类别（单词、辅音、物体和杂乱照片）的实验研究表明，该方法比现有方法具有更好的性能。
2017-10-05 cs.CV q-bio.NC stat.ML
Decoding visual stimuli in human brain by using Anatomical Pattern Analysis on fMRI images
College of Computer Science and Technology, Nanjing University of Aeronautics and Astronautics（南京航空航天大学计算机科学与技术学院）
在神经科学和机器学习中，一个普遍的悬而未决的问题是计算机是否可以解码人脑的模式。多体素模式分析（MVPA）是解决这一问题的关键工具。然而，在以往的MVPA方法，这是两个挑战，其中包括减少稀疏性和噪声提取的特征和提高预测性能。在克服上述挑战，本文提出了解剖模式分析（APA）解码视觉刺激在人脑中。该框架开发了一种新的解剖特征提取方法和一种新的不平衡AdaBoost算法进行二进制分类。此外，它利用纠错输出码（ECOC）方法进行多类预测。APA可以自动检测每个类别的视觉刺激的活动区域。此外，它使我们能够结合同质数据集应用高级分类。对4个视觉类别（单词、辅音、物体和杂乱照片）的实验研究表明，该方法比现有方法具有更好的性能。
2016-09-04 cs.LG q-bio.NC stat.ML
Community structure and modularity in networks of correlated brain activity
我们提出了一种方法来研究功能的分离和整合在活的大脑社区结构分解的基础上确定的最大模块化。我们证明了这种方法与网络来自功能成像数据与节点定义的个别图像像素，和相关的信号变化方面的边缘。我们发现社区的解剖分布对应于生物学意义的结构，包括解剖学上等同的大脑区域之间的令人信服的功能细分。
2007-01-30 q-bio.NC
How structure sculpts function: unveiling the contribution of anatomical connectivity to the brain's spontaneous correlation structure
内在脑活动的特征是不同区域之间高度结构化的共激活，其起源仍在争论中。在本文中，我们解决的问题，是否有可能揭示如何潜在的解剖连接形状的大脑的自发相关结构。我们从假设开始，为了使两个节点表现出较大的协变，它们必须暴露于来自整个网络的相似输入模式。然后我们承认，信息很少只沿着一条独特的路线传播，而是沿着所有可能的路径传播。在真实网络中，局部扰动的强度随着它们远离源传播而衰减，导致原始信息内容的逐渐衰减，从而导致它们的影响。我们使用这些概念，以获得一种新的分析措施，$\mathcal{T}$，它量化的相似性，整个网络的输入模式到达任何两个节点，仅由于底层拓扑结构，在什么是一个概括的匹配指数。我们表明，这种拓扑相似性的措施，确实可以用来预测网络拓扑结构的预期相关结构的贡献，从而揭示了复杂网络的结构和功能之间的紧密，但难以捉摸的关系背后的机制。最后，我们使用这种方法来研究大脑的连通性，表明大脑轴突通路的复杂结构所定义的拓扑结构的信息在很大程度上指定了休息时观察到的时间平均功能连接。
2016-12-07 q-bio.NC
Analysis of an Automated Machine Learning Approach in Brain Predictive Modelling: A data-driven approach to Predict Brain Age from Cortical Anatomical Measures
机器学习（ML）算法的使用在神经科学中显著增加。然而，在众多可能的ML算法中，哪一种是预测目标变量的最佳模型？这种模型的超参数是什么？鉴于这些问题的可能答案过多，在过去的几年里，自动化机器学习（autoML）一直受到关注。在这里，我们应用了一个名为TPOT的autoML库，该库使用基于树的机器学习管道表示，并进行基于遗传编程的方法来找到模型及其超参数，更准确地预测受试者的真实年龄。为了探索autoML并评估其在神经成像数据集中的有效性，我们选择了一个以前广泛研究的焦点问题：大脑年龄预测。在没有任何先验知识的情况下，TPOT能够扫描整个模型空间，并创建管道，该管道的性能优于基于Freesurfer的模型的最新精度，仅使用解剖结构的厚度和体积信息。特别是，我们比较了TPOT（平均准确度误差（MAE）：$4.612 \pm .124$年）和相关向量回归（MAE $5.474 \pm .140$年）的性能。TPOT还提出了一些有趣的模型组合，这些模型与目前最常用的大脑预测模型不匹配，但可以很好地推广到看不见的数据。AutoML作为一种数据驱动的方法，在寻找神经成像应用的最佳模型方面取得了可喜的成果。
2019-10-08 q-bio.NC stat.ML
The Active Atlas: Combining 3D Anatomical Models with Texture Detectors
University of California, San Diego（加利福尼亚大学圣地亚哥分校）；Cold Spring Harbor Laboratory（冷泉港实验室）；Department of Computer Science and Engineering, University of California, San Diego（加利福尼亚大学圣地亚哥分校计算机科学与工程系）
虽然现代成像技术（如fMRI）为在体内研究大脑开辟了令人兴奋的新可能性，但组织切片仍然是在单个神经元水平上研究大脑解剖学的最佳方法。自1909年以来，组织学图谱几乎没有变化，定位大脑区域仍然是一个劳动密集型的过程，只有经验丰富的神经解剖学家才能完成。现有的数字地图集，如艾伦脑地图集，仅限于低分辨率图像，无法识别神经元的详细结构。我们开发了一种数字图谱方法，结合了大脑的3D组织信息和不同结构中神经元的详细纹理。使用该方法，我们开发了一个地图集的小鼠脑干和中脑，这两个地区目前还没有好的地图集。我们的图谱是“主动的”，因为它可以用于自动将组织学堆栈与图谱对齐，从而减少神经解剖学家的工作。
2018-01-15 cs.CV q-bio.NC q-bio.QM
Dynamic Brain Functional Networks Guided By Anatomical Knowledge
近年来，动态脑网络作为精神疾病的神经影像学生物标志物的潜力越来越受到重视。然而，在开发这种生物标志物方面存在一些未解决的挑战，包括需要对快速变化的网络状态进行建模的方法。在第一次这样的努力之一，我们开发了一种新的方法来计算动态脑功能连接（FC），这是由脑结构连接（SC）计算扩散张量成像（DTI）数据的指导。所提出的方法涉及动态高斯图形模型分解的时间过程中的非重叠状态阶段确定的变化点，每个有一个独特的网络。我们开发了一种优化算法来实现该方法，使得对变点和状态-相位特定网络的估计完全是数据驱动和无监督的，并由SC信息指导。该方法是可扩展的大尺寸和广泛的模拟表明其明显的优势，在现有的方法在网络估计精度和检测动态网络变化。该方法的应用程序的创伤后应激障碍（PTSD）的研究揭示了重要的动态静息状态连接在以前牵连在PTSD的大脑区域。我们还说明，与现有的动态和静态连接方法相比，根据所提出的方法计算的动态网络能够更好地预测创伤暴露个体的心理弹性，这突出了其作为神经成像生物标志物的潜力。
2019-10-07 q-bio.NC stat.AP stat.ME
Exploring brain transcriptomic patterns: a topological analysis using spatial expression networks
表征人类大脑的转录组结构是了解大脑功能和疾病的基础。最近的一些研究已经调查了大脑基因表达的模式，这些模式是使用艾伦人脑图谱（AHBA）项目产生的实验数据从整个人脑的广泛解剖覆盖中获得的。在本文中，我们提出了一种新的表示基因的转录活性，明确捕获跨不同的解剖大脑区域的空间共表达的模式。对于每一个基因，我们定义了一个空间表达网络（SEN），一个网络量化共表达模式之间的几个解剖位置。网络相似性的措施，然后量化的SENs对之间的拓扑相似性，并确定自然发生的集群。使用网络理论的措施，三个大集群已被检测到具有不同的拓扑特性。然后，我们评估是否拓扑多样性的SENs反映了显着差异的生物学功能，通过基因本体分析。我们报告的证据表明，三个SEN集群之一，包括基因特异性参与神经系统，包括大脑疾病相关的基因，而其余两个集群是免疫，转录和翻译的代表。这些发现与先前的研究一致，表明大脑基因簇通常与这三个主要生物过程之一有关。
2016-10-08 q-bio.NC stat.AP
Multilayer motif analysis of brain networks
在过去的十年中，网络科学为人类大脑不同区域之间的结构（解剖学）和功能（活动中的相关性）连接提供了新的线索。对大脑网络的分析使我们有可能检测到神经系统的中心区域，并通过观察过多的小的子图（称为基序）来识别其构建模块。然而，到目前为止，大脑的网络分析主要集中在解剖和功能网络作为独立的实体。最近开发的多层网络的数学框架允许对人脑进行分析，其中结构层和功能层被一起考虑。在这项工作中，我们描述了如何对多重网络的子图进行分类，并将基序分析扩展到具有任意层数的网络。然后，我们提取多层图案的健康受试者的大脑网络考虑两层，解剖和功能，分别从扩散和功能磁共振成像网络。结果表明，子图中存在的大脑区域之间的物理连接（链接在结构层）共存的非平凡的正相关性，在他们的活动是统计上过剩。最后，我们研究了两层之间的强化机制的存在，通过观察在一层中找到链接的概率如何取决于另一层中连接的强度。我们的工作表明，功能连接受到底层解剖网络的非平凡约束，有助于更好地理解人脑结构和功能之间的相互作用。
2016-10-06 cond-mat.dis-nn physics.soc-ph q-bio.NC
Community-Level Modeling of Gyral Folding Patterns for Robust and Anatomically Informed Individualized Brain Mapping
Department of Computer Science and Engineering, University of Texas at Arlington（计算机科学与工程系，德克萨斯大学阿灵顿分校）；School of Computing, University of Georgia（计算学院，佐治亚大学）；Department of Computer Science, Indiana University Indianapolis（计算机科学系，印第安纳大学印第安纳波利斯分校）
本文提出了一种基于群体层面折叠单元的建模方法，通过双profile表示和联合形态-几何匹配，提升个体化脑图谱的稳健性和解剖学准确性。
2026-02-01 cs.AI cs.CV q-bio.NC
Layered structure and leveled function of a human brain
人类大脑的解剖学分层结构导致了层次化的功能。在所有这些不同功能层次中，比较、反馈和模仿是普遍的、至关重要的机制。语言、符号和工具在人类大脑和整个文明的发展中起着关键作用。
2018-02-04 physics.bio-ph q-bio.NC
Modeling functional resting-state brain networks through neural message passing on the human connectome
了解人脑的结构和功能之间的关系是神经科学中最重要的开放性问题之一。特别是，静息状态网络（RSN），更具体地说，大脑的默认模式网络（DMN），这是从功能数据的分析定义缺乏一个明确的理由与大脑的解剖结构一致。在这项工作中，我们表明，一个可能的连接可能自然地依赖于这样的想法，即信息在大脑中流动通过宏观结构之间的神经信息传递动力学，就像人类连接体（HC）所定义的那样。在我们的模型中，HC中的每个大脑区域被假设为具有二元行为（活跃或不活跃），它们之间的相互作用的强度被编码在由HC定义的解剖连接矩阵中，并且系统的动力学由神经消息传递算法，信念传播（BP）定义，在人类连接体的临界点附近工作。我们表明，在没有直接的外部刺激的BP算法收敛到一个空间图的激活，是类似的DMN。此外，我们计算，使用敏感性传播（SP），矩阵的不同区域之间的相关性，并显示该矩阵的聚类定义的模块类似于几个静息态网络实验确定。这两个结果表明，功能DMN和RSNs可以被看作是简单的后果的解剖结构的大脑和神经信息传递动力学之间的宏观区域。然后，我们展示了初步结果，表明我们的预测功能DMN地图如何变化时，解剖大脑网络遭受结构异常，如阿尔茨海默病和胼胝体病变。
2019-06-12 cond-mat.dis-nn cond-mat.stat-mech nlin.AO
Constrained Bayesian ICA for Brain Connectome Inference
脑连接组学是神经科学中的一个新兴领域，它致力于通过分析大脑区域之间的相互作用来理解认知过程和精神疾病。然而，在高维，低样本，和嘈杂的制度，典型的功能磁共振成像数据的特点，恢复这样的相互作用仍然是一个持续的挑战：我们如何才能发现模式的大脑区域之间的共同活动，然后可能与认知过程或精神疾病？在本文中，我们研究了一种约束贝叶斯ICA方法，与现有方法相比，该方法同时允许（a）多个信息源（fMRI，DWI，解剖学等）的灵活整合，(b)自动和无参数的选择适当的稀疏水平和连接的子模块的数量和（c）恢复的相互作用的不确定性的估计提供。我们的实验，无论是在合成和现实生活中的数据，验证了我们的方法的灵活性，并强调整合解剖信息的连接体推理的好处。
2019-11-13 q-bio.NC stat.AP
Interactive Manipulation and Visualization of 3D Brain MRI for Surgical Training
本文提出一种简化3D脑部MRI数据分割、重建与可视化流程的综合方法，利用深度学习算法和3D重建技术增强解剖信息可解释性，主要服务于外科手术训练及临床数据分析。
2024-03-24 cs.GR eess.IV q-bio.NC
Beyond Grid-Locked Voxels: Neural Response Functions for Continuous Brain Encoding
Cornell University（康奈尔大学）；Cornell Tech（康奈尔科技）；Weill Cornell Medicine（韦尔医学院）
NRF通过连续函数建模大脑响应，超越传统扁平体素方法，提升跨受试者适应性能。
2026-02-09 cs.LG eess.IV q-bio.NC
Gyral-Sulcal-Net: An Integrated Network Representation of Brain Folding Patterns
The University of Texas at Arlington（德克萨斯大学阿灵顿分校）；Indiana University Indianapolis（印第安纳大学印第安纳波利斯分校）；Mission San Jose High School（圣何塞使命高中）；Massachusetts General Hospital（麻省总医院）；Harvard Medical School（哈佛医学院）；The University of Georgia（佐治亚大学）
本文提出gyral-sulcal-net网络，通过整合gyri和sulci褶皱模式，提供一种统一的脑网络表示方法，用于研究大脑结构与功能。
2026-01-17 q-bio.NC
Network Analyses and Nervous System Disorders
神经系统疾病中的网络分析涉及从神经成像数据构建和分析解剖和功能脑网络，以描述和预测由神经病理学引起的临床综合征。神经系统疾病和临床综合征的网络视图有助于用从图论领域得出的相对简单的工具对复杂神经系统疾病进行准确的定量表征和数学模型。网络主要由在神经系统组织的宏观尺度上使用生理和神经成像技术获取的体内数据构建。研究支持一种新的观点，即神经精神和神经系统疾病是由于破坏大脑经济连接的小世界组织的病理过程造成的。网络科学的镜头提供了理论上的深入了解进行性神经变性，神经心理功能障碍，和潜在的解剖目标的干预范围从药物到脑刺激。
2017-01-04 q-bio.NC
Enhancing Alzheimer's Diagnosis: Leveraging Anatomical Landmarks in Graph Convolutional Neural Networks on Tetrahedral Meshes
School of Computing and Augmented Intelligence, Arizona State University, Tempe, AZ, USA（计算与增强智能学院，亚利桑那州立大学）；Amazon AGI, Redmond, WA, USA（亚马逊人工智慧部门）；Banner Alzheimer’s Institute, Phoenix, AZ, USA（贝纳尔德阿尔茨海默病研究所）
本文提出了一种基于变压器的几何深度学习模型，通过四面体网格的解剖标志标记化方案，提升阿尔茨海默病诊断和脑淀粉样阳性预测的准确性。
2026-03-09 cs.AI cs.CV eess.IV
Unveiling Secrets of Brain Function With Generative Modeling: Motion Perception in Primates & Cortical Network Organization in Mice
本论文通过层级变分自编码器模拟灵长类运动感知并揭示其无监督因果分解能力，同时利用fMRI与宽场Ca2+成像发现小鼠皮层可分解为重叠社区，从而用生成模型推进对脑功能组织的理解。
2024-12-25 cs.AI q-bio.NC
Integrated Brain Connectivity Analysis with fMRI, DTI, and sMRI Powered by Interpretable Graph Neural Networks
Tulane University（杜兰大学）；University of Virginia（弗吉尼亚大学）
针对多模态神经影像异质性挑战，本研究提出基于可解释图神经网络的 fMRI、DTI 和 sMRI 集成框架，通过掩蔽策略加权神经连接提升可解释性，应用于人类连接组计划发展研究后预测准确性提升并揭示关键脑特征与连接。
2025-04-13 cs.LG q-bio.NC
Towards Explainable Automated Neuroanatomy
University of California, San Diego（加利福尼亚大学圣迭戈分校）；Anonymous Organizations（匿名机构）
本文提出一种基于细胞形状可解释特征的自动化神经解剖方法，以替代平滑灰度特征和黑盒CNN，实现脑结构的准确定位识别并支持人工纠错，服务于脑对齐与连接组学研究。
2024-04-08 cs.CV q-bio.NC
Applications of fMRI for Brain Mapping
脑成像技术已被证明是了解大脑的分子，细胞和功能机制至关重要。正常的解剖成像可以提供关于大脑中某些异常的结构信息。然而，有许多神经系统疾病，只有结构研究是不够的。在这种情况下，需要研究大脑的功能组织。此外，有必要研究正常和患病条件下的脑功能。脑图谱技术可以帮助获得关于这些问题的有用和重要的信息。脑功能和负责特定活动的脑区，如运动，感觉语言和记忆过程可以进行研究。作者提供了各种脑映射技术和功能磁共振成像信号处理方法的概述。
2012-12-27 cs.ET q-bio.NC
End-to-end semantic segmentation of personalized deep brain structures for non-invasive brain stimulation
Nagoya Institute of Technology（名古屋工业大学）；Suez Canal University（苏伊士运河大学）
脑深部区域的电刺激或调制通常用于治疗几种神经系统疾病的临床程序中。特别地，经颅直流电刺激（tDCS）被广泛用作通过附接到头皮的电极施加的负担得起的临床应用。然而，由于解剖结构的复杂性和受试者间的高度变异性，很难确定不同脑区域中电场（EF）的量和分布。个性化tDCS是一种新兴的临床手术，用于耐受电极导联以实现准确定位。该过程由从诸如MRI的解剖图像生成的计算头部模型引导。通过仿真研究，可以计算分割头部模型中的EF分布。因此，快速，准确，可行的分割不同的大脑结构将导致更好地调整定制的tDCS研究。在这项研究中，提出了一种单编码器多解码器卷积神经网络用于深层脑分割。所提出的架构被训练为使用T1加权MRI分割七个深部脑结构。将网络生成的模型与使用半自动方法构建的参考模型进行比较，并且网络生成的模型呈现出高匹配，特别是在丘脑（Dice系数（DC）= 94.70%）、尾状核（DC = 91.98%）和壳核（DC = 90.31%）结构中。生成模型和参考模型中tDCS期间的电场分布彼此匹配良好，表明其在临床实践中的潜在有用性。
2020-02-13 cs.LG eess.IV q-bio.NC
Compressed representation of brain genetic transcription
Queen Square Institute of Neurology, University College London（伦敦大学学院皇后广场神经病学研究所）；Brain Connectivity and Behaviour Laboratory（脑连接与行为实验室）
针对大脑基因表达高维数据压缩的需求，对比多种线性与非线性压缩方法，发现深度自编码器在多指标多靶标域上表现最优，可作为人脑转录模式表示的参考标准。
2024-06-20 cs.LG q-bio.GN q-bio.NC
A novel brain partition highlights the modular skeleton shared by structure and function
阐明健康和病理条件下大脑结构和功能之间的复杂关系是现代神经科学的关键挑战。神经影像学的最新技术和方法学进展有助于推进我们对这一重要问题的理解，弥散加权图像提供了有关结构连接（SC）的信息，功能磁共振成像揭示了静息态功能连接（rsFC）。然而，比较这两个不同的数据集，其中每个数据集都可以被编码到不同的复杂网络中，这绝不是微不足道的，因为成对的链接到链接的比较代表了一个相对受限的视角，并且只提供有限的信息。因此，我们采用了一种更综合的系统方法，利用理论图分析来研究从健康人类受试者独立收集的SC和rsFC数据集。其目的是通过特别关注它们共同的层次模块化组织来找到结构和功能网络共享的主要架构特征。这种方法使我们能够识别一个共同的骨架，从中可以提取一个新的，最佳的大脑分区，模块共享结构和功能。我们详细描述了这些新兴的共同结构功能模块（SFM）。此外，我们比较SFM与经典的静息状态网络来自独立成分分析的rs-fMRI功能活动，以及与解剖包裹在自动解剖标记图集和Broadmann分区，突出他们的相似性和差异。SFM的发现揭示了大脑结构和静息态动力学之间的强烈对应关系。
2015-04-30 q-bio.NC q-bio.QM
Entropic Causal Inference for Neurological Applications
认知神经科学的最终目标是了解大脑功能组织的机制神经过程。本研究的关键是了解解剖区域之间的结构和功能连接的结构。在本文中，我们遵循以前的工作，在开发一个简单的动力学模型的大脑模拟其各个区域的仓本振荡器，其耦合结构描述了一个复杂的网络。然而，在我们的模拟中，而不是生成合成网络，我们模拟我们的合成模型，但通过从弥散张量成像（DTI）数据重建的解剖大脑区域的真实网络耦合。通过使用信息理论的方法，定义直接信息流的因果熵（CSE），我们表明，我们可以更准确地恢复真正的结构网络比流行的相关或LASSO回归技术。我们证明了我们的方法的有效性时，应用到现实的DTI网络，以及随机生成的小世界和Erdös-Rényi（ER）网络上的数据模拟。
2021-02-03 math.DS q-bio.NC
Modular organization as a basis for the functional integration/segregation in large-scale brain networks
模块化结构在现实世界的网络中无处不在，从相关的蛋白质到社会群体。在这里，我们分析了模块化组织的大脑网络在大规模（体素水平）提取的功能性磁共振成像（fMRI）信号。通过使用基于随机行走的方法，我们揭示了脑网的模块化，并显示模块的空间分布与功能意义的解剖结构相匹配。网络中的每个节点的功能作用进行了研究，通过分析其模式间和模块内的连接。结果表明，模块化架构构成的结构基础上共存的功能整合的远程和专门的大脑区域在正常的大脑活动在休息。
2009-04-16 physics.bio-ph physics.data-an q-bio.NC
