Extraction of Hierarchical Functional Connectivity Components in human brain using Adversarial Learning
University of Pennsylvania（宾夕法尼亚大学）
从rsfMRI数据中估计反映大脑功能连接模式的稀疏层次成分可以有助于我们理解大脑的功能组织，并可以导致疾病的生物标志物。然而，扫描仪间的变化和其他混杂因素对功能可解释的脑网络的鲁棒和可再现的估计提出了挑战，特别是对可再现的生物标志物。此外，大脑被认为是分层组织的，因此单尺度分解错过了这个层次。该论文旨在利用对抗性学习的当前进展，使用rsfMRI数据来估计人类大脑中可解释的分层模式，这些数据对“对抗性效应”（如扫描仪间变化）具有鲁棒性。我们将估计问题写成最小化问题，并使用交替更新来解决它。模拟和真实世界的数据集上的广泛实验表明，与其他众所周知的方法相比，组件的可重复性很高。
2021-04-20 cs.LG q-bio.NC
Resting-state EEG sex classification using selected brain connectivity representation
University of Otago（奥塔哥大学）
有效地分析脑电信号的潜在临床应用仍然是一个具有挑战性的任务。到目前为止，EEG的分析和调节在很大程度上保持性别中立。本文采用机器学习的方法来探索性别对脑电信号的影响的证据，并通过成功地实现性别预测的静息态脑电信号证实了这些影响的普遍性。我们发现，由某些传感器通道之间的一致性所代表的大脑连通性是很好的性别预测指标。
2020-12-21 cs.LG eess.SP
Convolutional Neural Network Approach for EEG-based Emotion Recognition using Brain Connectivity and its Spatial Information
School of Integrated Technology, Yonsei University（延世大学融合技术学院）
基于脑电的情感识别作为实现以人为中心的服务的一种方式受到关注。然而，仍然有很大的改进空间，特别是在识别精度方面。在本文中，我们提出了一种新的深度学习方法，使用卷积神经网络（CNN）进行基于EEG的情感识别。特别是，我们采用了以前研究中未与深度学习模型一起使用的大脑连接特征，这些特征可以解释不同大脑区域的同步激活。此外，我们开发了一种方法来有效地捕捉不对称的大脑活动模式，情感识别是重要的。实验结果证实了我们的方法的有效性。
2018-09-12 cs.HC cs.LG
Bayesian estimation for large scale multivariate Ornstein-Uhlenbeck model of brain connectivity
Center for Brain and Cognition（脑与认知中心）；University Pompeu Fabra（庞培法布拉大学）；Columbia University（哥伦比亚大学）
可靠的全脑连接的估计是一个关键的一步，使用定量的方法来研究神经精神疾病的连接信息。当估计大脑连接性时，时间样本的缺乏和测量的大维度带来了挑战。贝叶斯网络模型的估计方法在这方面提供了许多优势，但并不常用。在这里，我们比较了三种不同的估计方法的多变量Ornstein-Uhlenbeck模型，最近获得了一些流行的特征全脑连接。我们首先表明，贝叶斯估计的模型参数假设一致的先验是等效的矩量法的应用。然后，使用合成数据，我们表明，贝叶斯估计规模与网络中的节点数相比，迭代李雅普诺夫优化。特别是当网络大小是用于全脑研究的顺序（约100个节点）时，贝叶斯方法需要比李雅普诺夫方法多约8倍的时间样本，以达到相似的估计精度。我们还表明，更高的估计精度的李雅普诺夫方法是反映在一个更好的分类的基础上估计连接从一个真正的数据集BOLD功能磁共振成像的个人。最后，我们表明，贝叶斯方法的精度差是由于数值误差，当虚部的连接估计得到大相比，其实部。
2018-05-25 cs.LG stat.ML
Investigating Brain Connectivity with Graph Neural Networks and GNNExplainer
TU Dresden（德累斯顿工业大学）；HZDR（亥姆霍兹德累斯顿罗森多夫研究中心）；UKE（汉堡埃彭多夫大学医院）
功能连接在现代神经科学中起着至关重要的作用。该模式揭示了大脑的功能和结构方面，包括多种病理背后的机制。精神分裂症就是这样一种病理，它通常伴随着幻听。后者通常通过观察语音处理过程中的功能连接来研究。在这项工作中，我们通过深度学习对三组人进行了深入的功能连接检查：有和没有听觉言语幻觉的精神分裂症患者和健康对照组。我们提出了一个基于图神经网络的框架，在这个框架内，我们将EEG数据表示为图域中的信号。该框架允许1）基于EEG记录预测大脑精神障碍，2）区分每组的听力状态和休息状态，3）识别特征任务依赖性连接。实验结果表明，该模型可以区分上述群体与国家的最先进的性能。此外，它提供了一个有意义的信息，研究人员对每个群体的功能连接，我们验证了当前的领域知识。
2022-06-04 cs.LG q-bio.NC
Dynamic EEG-fMRI mapping: Revealing the relationship between brain connectivity and cognitive state
San Francisco State University（旧金山州立大学）
本研究通过整合EEG-fMRI数据的静态与动态分析，揭示了大脑连接状态的时间波动及模块化组织，证实短时数据可识别认知状态，增进了对脑信号相互作用的理解并为相关研究提供基础。
2024-11-29 cs.AI cs.LG
Learning Task-Aware Effective Brain Connectivity for fMRI Analysis with Graph Neural Networks
Georgia Institute of Technology（佐治亚理工学院）；Emory University（埃默里大学）；Carnegie Mellon University（卡内基梅隆大学）；University of California, Los Angeles（加州大学洛杉矶分校）
功能磁共振成像（fMRI）已成为脑功能分析最常用的成像方式之一。最近，图神经网络（GNN）已被采用的功能磁共振成像分析具有优越的性能。不幸的是，传统的功能性大脑网络主要是基于感兴趣区域（ROI）之间的相似性构建的，这对下游预测任务来说是嘈杂和不可知的，并且可能导致基于GNN的模型的结果较差。为了更好地适应GNN的功能磁共振成像分析，我们提出了TBDS，一个端到端的框架，基于\underline{T}问感知\underline{B}雨连接\underline{D} AG（有向无环图的缩写）\underline{S}结构生成功能磁共振成像分析。TBDS的关键组件是大脑网络生成器，它采用DAG学习方法将原始时间序列转换为任务感知的大脑连接。此外，我们设计了一个额外的对比正则化，在大脑网络生成过程中注入特定于任务的知识。两个fMRI数据集，即青少年脑认知发展（ABCD）和费城神经影像队列（PNC）数据集的综合实验证明TBDS的疗效。此外，生成的大脑网络还突出了与预测相关的大脑区域，从而提供了对预测结果的独特解释。我们的实现将在接受后发布到https://github.com/yueyu1030/TBDS。
2022-11-01 cs.LG cs.NE eess.IV
Unsupervised learning of the brain connectivity dynamic using residual D-net
EPFL（洛桑联邦理工学院）；University of Athens（雅典大学）；Computer Technology Institute & Press “Diophantus” (CTI)（丢番图计算机技术研究所及出版社）；LIBRA MLI Ltd（利布拉机器学习有限公司）；National Observatory of Athens（希腊国家天文台）
在本文中，我们提出了一种新的无监督学习方法，使用名为残差D-网络的深度学习架构来学习大脑动力学。与典型的深度学习任务相比，在医学研究中，用于训练的静息状态功能性磁共振图像（rs-fMRI）数据集的大小是有限的。因此，可用的数据应该非常有效地用于学习大脑连接动力学下的复杂模式。为了解决这个问题，我们使用残余连接，以减轻训练的复杂性，通过经常性的多尺度表示。我们进行了两个分类任务，以区分早期和晚期轻度认知障碍（MCI）从正常健康对照（NC）的主题。实验验证了我们提出的残差D-net确实学习了大脑连接动力学，与以前发表的技术相比，分类准确率显着提高。
2019-02-28 cs.LG stat.ML
Major Depressive Disorder Recognition and Cognitive Analysis Based on Multi-layer Brain Functional Connectivity Networks
Shandong Normal University（山东师范大学）；Shandong University（山东大学）
随着抑郁症发病率的上升，对抑郁症的认识和治疗引起了许多研究者的关注。现有的MDD识别算法多采用单一的时频域方法，但单一的时频域方法过于简单，不利于模拟大脑功能之间复杂的联系关系。针对这一问题，提出了一种基于多层脑功能连接网络（MBFCN）的抑郁症识别方法，并进行了认知分析。基于MBFCN的认知分析发现，Alpha-Beta1频段是识别MDD的关键子带。基于相位滞后指数（PLI）的脑功能连接网络（BFCN）显示，极端抑郁障碍（EDD）患者右侧前额叶与颞叶之间的连接存在缺陷。此外，通过抑郁症特征和PHQ-9的显著性分析，可以发现潜在的生物标志物。
2021-11-02 cs.LG q-bio.NC
Connectivity-Driven Brain Parcellation via Consensus Clustering
The Institute for Information Transmission Problems（信息传输问题研究所）；National Research University Higher School of Economics（国立研究型高等经济大学）；University of Southern California（南加州大学）；Illinois Institute of Technology（伊利诺伊理工学院）
我们提出了两个相关的方法，从个人的连接体推导出基于连接性的大脑图谱。所提出的方法利用了先前提出的密集连接表示，称为连续连接，首先执行基于图形的层次聚类的个人大脑，随后聚合到一个共识parcellation的个人包裹。对共识的搜索最小化了聚类成员距离的总和，有效地估计了单个包裹的伪Karcher平均值。我们使用（1）Kullback-Liebler和Jensen-Shannon分歧来评估我们的包裹质量，（2）半球间对称性，（3）简化连接体在生物性别分类任务中的表现。我们发现，在所有三个评估中，使用分层深度3的贪婪搜索计算的基于包裹的地图集优于所有其他基于包裹的地图集以及标准的Dessikan-Killiany解剖地图集。
2018-08-10 cs.LG q-bio.NC stat.ML
Self-supervised Graph Transformer with Contrastive Learning for Brain Connectivity Analysis towards Improving Autism Detection
University of Arizona（亚利桑那大学）；Children's National Hospital（儿童国家医院）；Imperial College London（伦敦帝国学院）
本文提出一种结合对比学习与随机图改变的自监督图Transformer框架，通过脑网络Transformer编码器分析fMRI数据，在ABIDE数据集上实现82.6 AUROC和74%准确率，显著提升了自闭症检测性能。
2025-01-18 cs.AI cs.LG
Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks
Yonsei University（延世大学）；University of California, Davis（加州大学戴维斯分校）；University of California, Los Angeles（加州大学洛杉矶分校）
卷积神经网络（CNN）被广泛用于通过脑电图（EEG）信号来识别用户的状态。在以往的研究中，脑电信号通常以高维原始数据的形式输入到CNN中。然而，这种方法使得难以利用在描述功能性大脑网络和估计用户的感知状态中可以有效的大脑连接信息。我们引入了一个新的分类系统，利用大脑连接与CNN，并通过使用三种不同类型的连接措施的情感视频分类验证其有效性。此外，提出了两种数据驱动的方法来构建连接矩阵，以最大限度地提高分类性能。进一步的分析表明，与目标视频的情感属性相关的大脑连接的集中程度与分类性能相关。
2021-01-18 cs.HC cs.LG
Classification of EEG-Based Brain Connectivity Networks in Schizophrenia Using a Multi-Domain Connectome Convolutional Neural Network
Universiti Teknologi Malaysia（马来西亚理工大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
我们利用脑功能连接的改变模式作为神经精神病患者自动判别分析的特征。深度学习方法最近才被引入到功能性网络分类中，用于fMRI，并且所提出的架构基本上集中在单一类型的连接性度量上。我们提出了一个深度卷积神经网络（CNN）框架，用于对精神分裂症（SZ）患者的脑电图（EEG）衍生脑连接体进行分类。为了捕捉在SZ中断连接的互补方面，我们探索各种连接功能的组合，包括有效连接的时间和频域指标的基础上向量自回归模型和部分有向相干性，和复杂的网络拓扑结构的网络措施。我们设计了一种新的多域连接体CNN（MDC-CNN）的基础上并行集成的一维和二维CNN集成的功能，从不同的域和维度使用不同的融合策略。多个卷积层从EEG连接性中学习到的分层潜在表示揭示了SZ和健康对照（HC）之间明显的群体差异。在一个大的静息状态EEG数据集上的结果表明，所提出的CNN显着优于传统的支持向量机分类器。具有组合连接特征的MDC-CNN进一步提高了使用单个特征的单域CNN的性能，实现了具有决策级融合的$93.06\%$的显著准确性。通过整合来自不同大脑连接描述符的信息，所提出的MDC-CNN能够准确地区分SZ和HC。新的框架是潜在的有用的开发SZ和其他疾病的诊断工具。
2019-03-21 cs.CV cs.LG q-bio.NC
DCHO: A Decomposition-Composition Framework for Predicting Higher-Order Brain Connectivity to Enhance Diverse Downstream Applications
DCHO通过分解-组合框架预测高阶脑连接，提升状态分类和脑动态预测的性能。
2025-12-29 cs.LG q-bio.NC
Deep Cross-Modality and Resolution Graph Integration for Universal Brain Connectivity Mapping and Augmentation
Istanbul Technical University（伊斯坦布尔技术大学）
连接大脑模板（CBT）捕捉了给定大脑连接体群体中所有个体的共同特征，从而充当指纹。从一个人群中估计CBT，其中脑图来自不同的神经成像模式（例如，功能的和结构的）和不同的分辨率（即，节点数）仍然是一个需要解决的巨大挑战。这样的网络整合任务允许学习跨不同模态和分辨率的大脑连接的丰富和通用的表示。由此产生的CBT基本上可以用于生成全新的多模态大脑连接体，这可以促进下游任务的学习，例如大脑状态分类。在这里，我们提出了多模态多分辨率脑图集成器网络（即，M2GraphIntegrator），第一个多模态多分辨率图集成框架，将给定的连接组群体映射到一个中心良好的CBT。M2GraphIntegrator首先通过使用分辨率特定的图形自动编码器来统一脑图分辨率。接下来，它将得到的固定大小的大脑图整合到位于其人群中心的通用CBT中。为了保持种群的多样性，我们进一步设计了一种新的基于聚类的训练样本选择策略，该策略利用了最异构的训练样本。为了确保生物学健全的学习CBT，我们提出了一个拓扑损失，最大限度地减少地面实况脑图和学习CBT之间的拓扑差距。我们的实验表明，从一个单一的CBT，可以生成逼真的连接数据集，包括不同分辨率和模式的脑图。我们进一步证明，我们的框架显着优于基准重建质量，增强任务，中心化和拓扑健全。
2022-09-13 cs.LG q-bio.NC
Brain-MGF: Multimodal Graph Fusion Network for EEG-fMRI Brain Connectivity Analysis Under Psilocybin
School of Information Technology, Monash University Malaysia（信息技术学院，墨尔本大学马来西亚分校）；Department of Data Science and AI, Faculty of Information Technology, Monash University（数据科学与人工智能系，信息科技学院，墨尔本大学）；Turner Institute for Brain and Mental Health, School of Psychological Sciences, Monash University（脑与心理健康研究所，心理学科学学院，墨尔本大学）
Brain-MGF通过多模态图融合网络实现psilocybin下EEG-fMRI脑连接分析，提升冥想和休息状态下的区分准确率与F1分数。
2025-11-23 cs.LG q-bio.NC
A Comparative Study of Machine Learning Methods for Predicting the Evolution of Brain Connectivity from a Baseline Timepoint
Istanbul Technical University（伊斯坦布尔技术大学）；University of Dundee（邓迪大学）
通过分析连接解剖区域对的连接权重的变化来预测大脑网络（也称为连接体）的演变，可以在早期阶段发现与连接性相关的神经系统疾病，并检测潜在的连接体异常的发展。值得注意的是，这样一个具有挑战性的预测问题在预测连接组学文献中仍然很少探索。众所周知，机器学习（ML）方法已经在各种各样的计算机视觉问题中证明了它们的预测能力。然而，专门用于从单个时间点预测大脑连接进化轨迹的ML技术几乎不存在。为了填补这一空白，我们组织了一场Kaggle竞赛，20个参赛团队设计了先进的机器学习管道，用于预测单个时间点的大脑连接演变。竞争团队通过数据预处理，降维和学习方法的组合开发了他们的ML管道。利用包容性评估方法，我们根据两个互补的评估指标（平均绝对误差（MAE）和皮尔逊相关系数（PCC））及其使用不同训练和测试数据扰动策略（单随机分割和交叉验证）的性能对方法进行了排名。最终排名是使用所有评估措施和验证策略中每个竞争团队的排名乘积计算的。为了支持开放科学，GitHub上提供了开发的20个ML管道以及连接组数据集。这项竞赛的结果预计将导致预测模型的进一步发展，这些模型可以预见大脑连接随时间的演变，以及其他类型的网络（例如，基因网络）。
2021-09-16 cs.AI cs.CV cs.LG
Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification
Shanghai Jiao Tong University（上海交通大学）；City University of Hong Kong（香港城市大学）
针对现有静息态fMRI分类方法存在的脑连接拓扑约束缺失、未结合下游任务等问题，提出ST-DAGCN模型，以DAG建模脑网络，端到端联合学习有效连接与分类，在公开数据集上性能提升显著且具生物学可解释性。
2023-12-16 cs.AI cs.LG q-bio.NC
Comparative Survey of Multigraph Integration Methods for Holistic Brain Connectivity Mapping
Istanbul Technical University（伊斯坦布尔理工大学）；University of Dundee（邓迪大学）
网络神经科学中最大的科学挑战之一是创建一个具有代表性的异质大脑网络的地图，它可以作为连接指纹。连接脑模板（CBT），也被称为网络图谱，提供了一个强大的工具，用于捕获给定人群的最具代表性和区分性的特征，同时保留其拓扑模式。CBT的想法是整合来自不同神经成像模式或大脑视图（例如，结构和功能），成为一个统一的整体表示。在这里，我们回顾了目前最先进的方法，旨在估计良好的中心和代表性的CBT人口的单视图和多视图的大脑网络。我们首先回顾每一种CBT学习方法，然后介绍评估措施，分别基于以下标准比较单视图和多图集成方法生成的群体的CBT代表性：中心化，标记再现性，节点级相似性，全局级相似性和基于距离的相似性。我们证明，深度图归一化器（DGN）方法在中心性、再现性（即，图衍生的生物标志物再现性，其将典型的与非典型的连接性变异性分开），并在局部和全局图水平上保持拓扑特征。
2022-04-05 cs.AI cs.LG q-bio.NC
TiBGL: Template-induced Brain Graph Learning for Functional Neuroimaging Analysis
Institute of Automation, Chinese Academy of Sciences（中国科学院自动化研究所）；Zhengzhou University（郑州大学）；University of Chinese Academy of Sciences（中国科学院大学）
本文提出新颖的脑图学习框架TiBGL，通过模板诱导机制提取模板脑图以去除噪声并突出关键连接，结合模板诱导卷积神经网络与脑解释分析，在三个数据集上实现了优于九种先进方法的性能，兼具判别力与神经科学可解释性。
2023-09-14 cs.AI cs.LG
A Multi-Task Deep Learning Framework to Localize the Eloquent Cortex in Brain Tumor Patients Using Dynamic Functional Connectivity
Johns Hopkins University（约翰斯·霍普金斯大学）；Johns Hopkins School of Medicine（约翰斯·霍普金斯大学医学院）
我们提出了一种新的深度学习框架，该框架使用动态功能连接来同时定位脑肿瘤患者的语言和运动区。我们的方法利用卷积层从动态连接矩阵和长短期记忆（LSTM）注意力网络中提取基于图的特征，以在分类过程中对相关时间点进行加权。我们模型的最后阶段采用多任务学习来识别不同的雄辩子系统。我们独特的训练策略在感兴趣的认知网络之间找到了一个共享的表示，这使我们能够处理缺失的患者数据。我们评估我们的方法从56例脑肿瘤患者的静息状态fMRI数据，同时使用任务fMRI激活作为替代地面真理标签的培训和测试。我们的模型比传统的深度学习方法具有更高的定位精度，即使在左半球偏侧的情况下训练，也可以识别双侧语言区域。因此，我们的方法可能最终是有用的术前映射肿瘤患者。
2020-11-17 cs.LG eess.IV
Characterizing normal perinatal development of the human brain structural connectivity
Boston Children’s Hospital（波士顿儿童医院）；Harvard Medical School（哈佛医学院）
本研究针对围产期大脑结构连接发育缺乏可靠正常基线的问题，开发了基于时空平均的计算框架，分析166名受试者孕后33-44周的结构连接，揭示了发育趋势与不对称模式，为评估早期大脑发育提供了方法和参考。
2023-08-22 cs.AI cs.LG q-bio.NC
A Constrained, Weighted-L1 Minimization Approach for Joint Discovery of Heterogeneous Neural Connectivity Graphs
University of California, Berkeley（加州大学伯克利分校）；University of Virginia（弗吉尼亚大学）
确定功能性大脑连接对于理解自闭症等疾病背后的大脑和神经差异至关重要。最近的研究使用高斯图形模型通过神经成像中大脑区域之间的统计依赖性来学习大脑连接。然而，以前的研究往往未能适当地纳入为神经科学量身定制的先验知识，例如偏好较短的连接。为了解决这个问题，本文介绍了一种新的，加权$\ell_1$，多任务图形模型（W SIMULE）。该模型优雅地结合了灵活的先验知识，以及可并行化的公式。此外，W-SIMULE扩展了经常使用的高斯假设，从而大大提高了性能。在这里，对fMRI数据的应用表明，W-SIMULE成功地确定功能连接方面（1）对数似然，（2）发现边缘区分组，（3）分类不同的群体基于他们的连接，达到58.6%的准确率在ABIDE数据集。在确定了W-SIMULE的有效性之后，它将四个关键领域与自闭症联系起来，所有这些都与文献一致。由于其优雅的域自适应性，W-SIMULE可以很容易地应用于各种数据类型，以有效地估计连通性。
2017-09-21 cs.LG q-bio.NC
SENDER: SEmi-Nonlinear Deep Efficient Reconstructor for Extraction Canonical, Meta, and Sub Functional Connectivity in the Human Brain
Augusta University（奥古斯塔大学）；James Madison University（詹姆斯·麦迪逊大学）
深度线性和非线性学习方法已经成为重要的机器学习方法，用于研究分层特征，例如通过功能磁共振信号在人脑中的功能连接;然而，存在三个主要缺点：1）。对于深度线性学习方法，虽然所识别的功能连接层次很容易解释，但揭示更多层次的功能连接是具有挑战性的; 2）。对于深度非线性学习方法，虽然非全连接架构降低了神经网络结构的复杂性，这些结构易于优化且不易于过拟合，但功能连接层次结构难以解释; 3）。重要的是，深度线性/非线性方法具有挑战性，即使在浅层中也能检测Meta和子功能连接性; 4）。像大多数传统的深度非线性方法，如深度神经网络，超参数必须手动调整，这是耗时的。因此，在这项工作中，我们提出了一种新的深度混合学习方法，称为SEmi-Nonlinear Deep Efficient Reconstruction（SENDER），以克服上述缺点：1）。SENDER利用多层堆叠结构的线性学习方法来检测正则函数连通性; 2）. SENDER实现了一个非完全连接的架构，用于非线性学习方法，以揭示通过浅层和深层的元功能连接; 3）。SENDER结合所提出的背景组件来提取子功能连接; 4）. SENDER采用一种新的降秩算子实现超参数的自动调整。为了进一步验证的有效性，我们比较了SENDER与四个同行的方法，使用真正的功能磁共振成像数据的人脑。
2022-09-12 cs.LG eess.IV q-bio.NC
Graph Residual Noise Learner Network for Brain Connectivity Graph Prediction
Faculty of Computer and Informatics, Istanbul Technical University（伊斯坦布尔技术大学计算机与信息学院）；Helmholtz AI, Helmholtz Munich（亥姆霍兹慕尼黑亥姆霍兹人工智能研究所）
本文提出首个图扩散模型Grenol-Net，通过残差噪声学习从源脑图预测目标脑图，克服GAN模式崩溃问题并保持连接矩阵拓扑对称性。
2024-09-30 cs.AI cs.CV cs.LG
Extraction of hierarchical functional connectivity components in human brain using resting-state fMRI
University of Pennsylvania（宾夕法尼亚大学）
人类大脑网络中的层次结构的研究已经引起了研究人员的极大兴趣，因为许多研究已经指出了人类大脑的功能层次组织。本文提出了一种利用静息态fMRI提取人脑层次连接成分的新方法。该方法建立在稀疏连接模式（SCP）之前的工作，通过引入稀疏重叠模式的层次结构。通过fMRI生成的相关矩阵的深度因式分解来估计分量。本文的目标是使用相关矩阵提取可解释的层次模式，其中低秩分解由高秩分解的线性组合形成。我们制定的分解作为一个非凸优化问题，并解决它使用梯度下降算法与自适应步长。我们还提供了一种方法，使用奇异值分解的梯度下降的热启动。我们证明了所开发的方法在两个不同的现实世界的数据集上的有效性，通过显示多尺度分层SCP子样本之间是可重复的，并且与单尺度模式相比更具可重复性。我们还比较了我们的方法与现有的分层社区检测方法。我们的方法还提供了新的洞察人类大脑的功能组织。
2020-12-07 cs.LG eess.IV q-bio.NC
Deep Learning and Bayesian Deep Learning Based Gender Prediction in Multi-Scale Brain Functional Connectivity
University of Wisconsin – Madison（威斯康星大学麦迪逊分校）
大脑的性别差异已经被发现很久了，这可能是男女之间许多心理、精神和行为差异的原因。从脑功能连通性（FC）预测性别可以建立脑活动与性别之间的关系，从预测模型中提取重要的性别相关FC特征为研究脑性别差异提供了一条途径。目前的预测模型应用于性别预测表现出良好的准确性，但通常提取个别的功能连接，而不是连接模式，在整个连接矩阵的功能。此外，目前的模型往往忽略了输入大脑FC规模对预测的影响，不能给出任何模型的不确定性信息。因此，在这项研究中，我们建议通过深度学习从多个尺度的大脑FC中预测性别，它可以提取完整的FC模式作为特征。我们进一步发展了对深度神经网络（DNN）中特征提取机制的理解，并提出了一种DNN特征排名方法，根据其对预测的贡献来提取高度重要的特征。此外，我们将贝叶斯深度学习应用于大脑FC性别预测，作为一种概率模型，它不仅可以做出准确的预测，还可以为每个预测产生模型不确定性。实验是在高质量的Human Connectome Project S1200发布数据集上进行的，该数据集包括1003名健康成年人的静息状态功能MRI数据。首先，对于来自25、50、100、200、300个独立分量分析（ICA）分量的FC输入，DNN分别达到83.0%、87.6%、92.0%、93.5%和94.1%的准确率。DNN在25-ICA分量尺度FC上优于传统的机器学习方法，但随着ICA分量数量的增加，线性机器学…
2020-05-18 cs.CV cs.LG eess.IV
Brain Graph Super-Resolution Using Adversarial Graph Neural Network with Application to Functional Brain Connectivity
Istanbul Technical University（伊斯坦布尔理工大学）；University of Dundee（邓迪大学）
近年来，随着以不同分辨率获取的神经成像数据集的激增，脑图像分析已经取得了实质性的进展。近年来，脑图像超分辨率的研究发展迅速，但由于非欧图数据的复杂性，脑图超分辨率的研究还很薄弱。在本文中，我们提出了有史以来第一个深度图超分辨率（GSR）框架，该框架试图自动生成具有N'个节点的高分辨率（HR）脑图（即，从具有N个节点的低分辨率（LR）图中提取感兴趣的解剖区域（ROI），其中N <N '。首先，我们将GSR问题形式化为节点特征嵌入学习任务。一旦HR节点的嵌入被学习，大脑ROI之间的成对连接强度可以通过基于新颖的Graph U-Net架构的聚合规则来导出。虽然通常图U-Net是一个以节点为中心的架构，其中图嵌入主要取决于节点属性，但我们提出了一个以图为中心的架构，其中节点特征嵌入基于图拓扑。其次，受图谱理论的启发，我们通过使用GSR层和两个图卷积网络层超解析低分辨率脑图结构和节点内容来打破U-Net架构的对称性，以进一步学习HR图中的节点嵌入。第三，为了处理地面实况和预测的HR脑图之间的域转移，我们结合了对抗正则化来对齐它们各自的分布。我们提出的AGSR-Net框架在从低分辨率图像预测高分辨率功能脑图方面优于其变体。我们的AGSR-Net代码可以在GitHub上找到，网址是https://github.com/basiralab/AGSR-Net。
2021-05-02 cs.CV cs.LG eess.IV
