从静息态fMRI中提取驱动心理障碍的根因性脑活动

基于多级k-均值聚类的fMRI数据的功能性分组

Functional Parcellation of fMRI data using multistage k-means clustering

Texas Tech University（得克萨斯理工大学）；Lister Hill National Center for Biomedical Communications, National Library of Medicine, National Institutes of Health（美国国立卫生研究院国家医学图书馆利斯特·希尔国家生物医学传播中心）

目的：通过静息状态研究获得的功能性磁共振成像（fMRI）数据已被用于获得有关大脑内部自发激活的信息。静息态功能磁共振成像数据的分析和解释的方法之一，需要空间和功能均匀的包裹整个大脑的基础上潜在的时间波动。聚类经常被用来生成功能性划分。然而，主要的聚类算法，当用于fMRI数据，有其局限性。在常用的分割方案中，在簇内功能相似性和与解剖区域的对齐之间存在折衷。方法：在这项工作中，我们提出了一个聚类算法的静息状态和任务的功能磁共振成像数据，开发，以获得大脑包裹，表现出较高的结构和功能的同质性。聚类是由多级二进制k-means聚类算法专门设计的4D fMRI数据。这种多级k-means算法的结果表明，通过修改和组合不同的算法，我们可以利用不同技术的优势，同时克服它们的局限性。结果如下：静息状态的功能磁共振成像数据的聚类输出使用多级k-均值方法被证明是优于简单的k-均值或功能图谱的空间和功能的同质性。这些集群也对应于通常可识别的大脑网络。对于任务功能磁共振成像，聚类输出可以识别主要和次要激活区域，并提供有关不同大脑区域的不同血液动力学反应的信息。结论：多阶段k-means方法可以利用静息态fMRI数据提供脑功能分区。该方法是无模型的，是数据驱动的，可应用于静息状态和任务fMRI。

2022-02-19cs.LGeess.IVq-bio.QM

基于静息态fMRI的简单1-D卷积网络自闭症分类

Simple 1-D Convolutional Networks for Resting-State fMRI Based Classification in Autism

University of Amsterdam（阿姆斯特丹大学）；UvA（阿姆斯特丹大学）

深度学习方法越来越多地用于神经成像数据，如结构和功能磁共振成像（MRI），以预测神经精神和神经系统疾病的诊断。特别是对于精神疾病，人们认为最有前途的方式之一是静息态功能性MRI（rsfMRI），它捕获大脑区域之间的内在连接。由于rsfMRI数据点本质上是高维的（~ 1 M），因此不可能以原始形式处理整个输入。在本文中，我们提出了一个非常简单的变换的rsfMRI图像，捕捉所有的时间动态的信号，但子采样其空间范围。因此，我们使用了一个非常简单的一维卷积网络，它可以快速训练，需要最少的预处理，并且在自闭症谱系障碍的分类上与最先进的技术不相上下。

2019-07-02cs.LGeess.IVq-bio.NC

基于静息态fMRI的人脑分层功能连接成分提取

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。

2020-12-07cs.LGeess.IVq-bio.NC

截断高斯混合变分自编码器

Truncated Gaussian-Mixture Variational AutoEncoder

Stanford University（斯坦福大学）；SRI International（SRI国际）

变分自动编码器（VAE）已成为一个强大的工具，在建模的非线性生成过程的数据从一个低维的潜在空间。最近，一些研究提出使用VAE通过使用混合模型来捕获潜在表征的多模态结构，从而进行无监督聚类。然而，这种策略是无效的，当有离群数据样本的潜在表示是毫无意义的，但污染的潜在空间中的关键主要集群的估计。这个确切的问题出现在静息态功能磁共振成像（rs-fMRI）分析的背景下，其中聚集主要功能连接模式往往受到rs-fMRI的严重噪音和许多不感兴趣的小集群（罕见的连接模式）的阻碍。在本文中，我们提出了一种新的生成过程，在该过程中，我们使用高斯混合模型的数据中的几个主要的集群，并使用一个非信息的均匀分布来捕获剩余的数据。我们将这个截断的高斯混合模型嵌入到一个变分自编码器框架中，以获得一个通用的联合聚类和离群点检测方法，称为tGM-VAE。我们证明了tGM-VAE在MNIST数据集上的适用性，并在rs-fMRI连接分析的背景下进一步验证了它。

2021-06-26cs.LGstat.ML

NeuroBOLT：基于多维特征映射的静息态脑电图到功能磁共振成像合成

NeuroBOLT: Resting-state EEG-to-fMRI Synthesis with Multi-dimensional Feature Mapping

Vanderbilt University（范德比尔特大学）；Vanderbilt University Medical Center（范德比尔特大学医学中心）

NeuroBOLT提出一种基于时间、空间和频谱多维特征映射的Transformer框架，将原始EEG转换为全脑fMRI信号，在静息态下重建多脑区信号并达到最先进精度，支持跨条件泛化。

2025-09-08cs.AIcs.LGeess.IV

基于ICA在大规模自闭症fMRI数据集ABIDE上获得的静息态网络

ICA-based Resting-State Networks Obtained on Large Autism fMRI Dataset ABIDE

针对ABIDE数据集中ICA降维未被充分利用的问题，提供基于ICA的静息态网络，揭示无图谱约束的神经激活簇，为ASD研究提供新视角与资源。

2024-12-18eess.IV

三维卷积神经网络用于自闭症谱系障碍fMRI数据分类的增强方法评价

Evaluation of augmentation methods in classifying autism spectrum disorders from fMRI data with 3D convolutional neural networks

a Division of Medical Informatics, Department of Biomedical Engineering b Division of Statistics \& Machine Learning, Department of Computer；Information Science c Center for Medical Image Science；Visualization (CMIV) \ \" o ping University, Sweden

在过去的10年里，使用神经成像数据将受试者分类为健康或患病已经得到了很多关注。在这里，我们将深度学习应用于静息状态fMRI数据的衍生物，并研究不同的3D增强技术如何影响测试精度。具体来说，我们使用来自ABIDE预处理的1，112个受试者的静息状态导数来训练3D卷积神经网络（CNN）以执行分类。我们的研究结果表明，增强只提供轻微的改善测试的准确性。

2021-10-20cs.CVeess.IVq-bio.NC

迈向基于 fMRI 的零样本任务泛化学习

Towards Zero-Shot Task-Generalizable Learning on fMRI

Yale University（耶鲁大学）；Yale School of Medicine（耶鲁医学院）

针对不同任务 fMRI 难以汇总训练可泛化模型的问题，提出有监督任务感知网络 TA-GAT，联合学习通用编码器与任务特定上下文，并可即插即用地融入各类神经网络。

2025-02-15cs.LGeess.IV

基于注意力机制的静息态fMRI阿尔茨海默病分类框架

An Attention-Based Framework for Alzheimers Disease Classification Using Resting-State fMRI

School of Medical Science and Technology（医学科学与技术学院）；Dr B C Roy Multi Speciality Medical Research Centre（B C Roy多专科医学研究中心）；Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）；Indian Institute of Technology Gandhinagar（印度理工学院甘地纳格尔分校）

该研究针对rs-fMRI分类AD的挑战，提出基于注意力机制的深度学习框架，在ADNI纵向队列上获88.95%准确率、0.90 ROC-AUC，为AD检测提供鲁棒可解释方法。

2026-07-30cs.AIcs.HCcs.LG

真值静止状态信号为fMRI时间序列动态的扫描器失真提供数据驱动的估计和校正

Ground-truth resting-state signal provides data-driven estimation and correction for scanner distortion of fMRI time-series dynamics

功能磁共振成像社区已经取得了很大的进展解耦神经元活动从其他生理诱导的T2* 的变化，使用传感器，提供一个真值方面的心脏，呼吸，头部运动动力学。然而，血氧水平依赖（BOLD）的时间序列动态混淆扫描仪伪影，在复杂的方式，不仅可以改变扫描仪之间，甚至，对于同一扫描仪，会话之间。迄今为止，缺乏等效的地面实况阻碍了识别和去除扫描仪引起的噪声的可靠方法的发展。为了解决这个问题，我们首先设计并构建了一个能够提供与静息状态大脑等效的动态信号的模型。使用动态体模，我们通过比较真值时间序列与其测量的fMRI数据来量化体素噪声。我们得出了以下数据质量指标：标准化信噪比（ST-SNR）和动态保真度，可以直接在扫描仪之间进行比较。从四台扫描仪采集的动态体模数据显示，扫描仪不稳定性乘性噪声约占总噪声的6-18%。我们进一步测量了所有扫描仪的fMRI响应的强非线性，范围在总体素的8-19%之间。为了在单个受试者水平上校正fMRI时间序列动态的扫描仪失真，我们在成对的测量数据集与真值数据集上训练了卷积神经网络（CNN）。对动态体模时间序列的测试显示，去噪后ST-SNR增加了4至7倍，动态保真度增加了约40-70%。重要的是，我们观察到CNN时间去噪推动ST-SNR > 1。使用真值训练的CNN对人类数据进行去噪，显示出静息状态网络的检测灵敏度显着增加。

2020-10-14eess.IVphysics.med-ph

静息态功能性MRI中双生子合子的自动识别

Automatic Identification of Twin Zygosity in Resting-State Functional MRI

University of Wisconsin（威斯康星大学）；Johns Hopkins University（约翰斯·霍普金斯大学）

双胞胎研究的一个关键优势在于，有两种类型的双胞胎，单卵双胞胎和双卵双胞胎，它们共享不同数量的遗传信息。准确区分双生子类型可以有效地推断群体中的遗传影响。然而，在没有基因分型的情况下，接合性的鉴定往往容易出错。在这项研究中，我们提出了一种新的成对特征表示分类的双生子对静息状态功能磁共振图像（rs-fMRI）的接合性。为此，我们将fMRI信号投影到一组基函数上，并使用投影系数作为噪声fMRI的紧凑和有区别的特征表示。我们将双胞胎之间的关系编码为跨大脑区域的新特征表征之间的相关性。我们采用爬山变量选择来确定最受遗传影响的大脑区域。该框架被应用到208双胞胎对，并取得了94.19%的分类准确率在自动识别配对图像的接合性。

2018-10-26cs.LGeess.IVeess.SP

NeoRS：新生儿静息状态fMRI数据预处理流水线

NeoRS: a neonatal resting state fMRI data preprocessing pipeline

静息态功能磁共振成像（rsfMRI）已被证明是一种很有前途的工具，研究内在的功能连接和评估其完整性在大脑发育。在新生儿中，功能磁共振成像仅限于几个范例，rsfMRI被证明是一个相关的工具，以探索大脑网络的区域相互作用。然而，为了识别休眠状态网络，需要仔细处理数据。由于新生儿的非协作性质、大脑大小的差异以及与成人相比的反向对比度，新生儿不能用现有的成人管道处理。因此，我们开发了NeoRS。主要处理步骤包括图谱配准、颅骨翻转、分割、切片定时、头部运动校正和混淆回归。为了解决新生儿脑成像的特异性，特别注意注册，包括新生儿图谱类型和参数，如脑大小的变化，对比度与成人相比的差异。此外，头部运动被仔细检查和优化，因为这是处理新生儿数据时的一个主要问题。该管道包括视觉质量控制评估检查点。为了评估其有效性，我们使用了婴儿连接组项目的数据，包括10名新生儿。NeoRS设计用于多波段和单波段采集，适用于较小的数据集。它还包括流行的功能连接分析功能，例如基于种子的相关性。语言，默认模式，背侧注意，视觉，腹侧注意，运动和额顶叶网络进行了评估。不同的分析网络与先前发表的新生儿研究一致。NeoRS是用Matlab编写的，它是开源的，可以在https://github.com/venguix/NeoRS上找到。NeoRS允许对新生儿rsfMRI数据进行稳健的图像处理，可以很容易地针对不同的数据集进行定制。

2022-04-08eess.IV

基于量子时间序列Transformer的静息态fMRI分析

Resting-state fMRI Analysis using Quantum Time-series Transformer

Interdisciplinary Program in Artificial Intelligence（人工智能交叉学科项目）；Department of Brain and Cognitive Sciences（脑科学与认知科学系）；Wells Fargo（沃伦·巴菲特）；Artificial Intelligence Department（人工智能部门）；Brookhaven National Laboratory（布鲁赫斯林国家实验室）；Department of Psychology（心理学系）

针对经典Transformer在静息态fMRI分析中复杂度高、参数量大、数据需求多的问题，提出基于幺正线性组合和量子奇异值变换的量子时间序列Transformer，以多重对数复杂度实现更优性能，尤其小样本下表现突出，还能可靠识别ADHD临床生物标志物。

2025-08-31cs.CEcs.LGeess.IV

基于静息态功能磁共振成像的深度学习脑血流动力学映射

Deep-learning-enabled Brain Hemodynamic Mapping Using Resting-state fMRI

Johns Hopkins University School of Medicine（约翰斯·霍普金斯大学医学院）；The Russell H. Morgan Department of Radiology and Radiological Science, Johns Hopkins University School of Medicine（约翰斯·霍普金斯大学医学院罗素·H·摩根放射学与放射科学系）；Johns Hopkins University（约翰斯·霍普金斯大学）；University of Maryland School of Medicine（马里兰大学医学院）；Kennedy Krieger Institute（肯尼迪·克里格研究所）；Johns Hopkins Bloomberg School of Public Health（约翰斯·霍普金斯大学布隆伯格公共卫生学院）；UT Southwestern Medical Center（德克萨斯大学西南医学中心）；University of Texas at Dallas（德克萨斯大学达拉斯分校）

本研究利用静息态fMRI和深度学习，以自然CO2波动为造影剂，映射脑血管反应性与到达时间，检测血管异常、评估血运重建及衰老影响，具有临床潜力。

2022-04-25cs.AIeess.IVphysics.med-ph

fMRI-S4：使用一维卷积和状态空间模型学习短期和长期动态fMRI依赖性

fMRI-S4: learning short- and long-range dynamic fMRI dependencies using 1D Convolutions and State Space Models

University of Amsterdam（阿姆斯特丹大学）；Amsterdam Neuroscience（阿姆斯特丹神经科学研究所）

单个受试者静息状态脑功能活动映射到非成像表型是神经成像的主要目标。今天应用的绝大多数学习方法依赖于静态表示或短期时间相关性。这与大脑活动的性质不一致，大脑活动是动态的，并表现出短期和长期的依赖性。此外，新的复杂的深度学习方法已经在单个任务/数据集上开发和验证。应用这些模型研究不同的目标通常需要详尽的超参数搜索，模型工程和试错，以获得具有竞争力的结果与更简单的线性模型。这反过来又限制了它们的采用，并阻碍了快速发展的研究领域的公平基准。为此，我们提出了fMRI-S4;一种多功能的深度学习模型，用于从静息状态功能磁共振成像扫描的时间过程中对表型和精神疾病进行分类。fMRI-S4使用1D卷积和最近引入的状态空间模型S4捕获信号中的短范围和长范围时间依赖性。所提出的架构是轻量级的，样本效率和强大的跨任务/数据集。我们在三个多位点rs-fMRI数据集上验证了fMRI-S4在诊断重度抑郁症（MDD）、自闭症谱系障碍（ASD）和性别分类任务上的有效性。我们表明，fMRI-S4在所有三项任务上都优于现有方法，并且可以作为即插即用模型进行训练，而无需对每个设置进行特殊的超并行调整

2022-08-08cs.LGeess.IV

基于两阶段广义典型相关分析的多学科任务相关fMRI数据处理

Multisubject Task-Related fMRI Data Processing via a Two-Stage Generalized Canonical Correlation Analysis

功能性磁共振成像（fMRI）是研究人类大脑的最流行的方法之一。与任务相关的功能磁共振成像数据处理旨在确定当执行特定任务时哪些大脑区域被激活，并且通常基于血氧水平依赖（BOLD）信号。背景BOLD信号还反映了区域大脑活动的系统性波动，这归因于静息态大脑网络的存在。我们提出了一个新的功能磁共振成像数据生成模型，该模型考虑到存在共同的任务相关和静息态组件。我们首先估计共同的任务相关的时间分量，通过两个连续阶段的广义典型相关分析，然后，我们估计共同的任务相关的空间分量，导致任务相关的激活地图。我们的方法与合成数据的实验测试表明，我们能够获得非常准确的时间和空间的估计，即使在非常低的信噪比（SNR），这是通常的情况下，在fMRI数据处理。与基于一般线性模型（GLM）的标准程序相比，真实世界的功能磁共振成像数据的测试显示出显着的优势。

2022-10-16eess.IVeess.SP

学习静息态功能磁共振成像中的血流动力学耦合推断

Learned Hemodynamic Coupling Inference in Resting-State Functional MRI

University of South Carolina（南卡罗来纳大学）；University of Washington（华盛顿大学）

本文提出了一种基于深度学习和归一化流的方法，用于从静息态fMRI中推断皮层表面的血流动力学耦合，提高了血流动力学估计和连接性分析的准确性。

2026-10-14eess.IVeess.SPstat.AP

使用多视图表示学习映射皮层结构的个体差异

Mapping individual differences in cortical architecture using multi-view representation learning

Aix Marseille Université（艾克斯-马赛大学）；Université de Toulon（土伦大学）；Institut de Neurosciences de la Timone（蒂莫纳神经科学研究所）；École Centrale de Marseille（马赛中央理工学院）

在神经科学中，理解个体间的差异最近成为一个重大挑战，功能性磁共振成像（fMRI）已被证明是非常宝贵的。为此，神经科学家依赖于基本方法，例如单个大脑特征与量化疾病严重程度或受试者在认知任务中表现的分数之间的单变量线性相关性。然而，到目前为止，任务功能磁共振成像和静息态功能磁共振成像已被单独利用这个问题，因为缺乏有效地结合起来的方法。在本文中，我们介绍了一种新的机器学习方法，它允许结合激活和连接性为基础的信息分别测量通过这两个功能磁共振成像协议，以确定标记的个体差异的功能组织的大脑。它结合了一个多视图深度自动编码器，该编码器旨在将两种fMRI模态融合到一个联合表示空间中，在该空间中训练预测模型以猜测表征患者的标量分数。我们的实验结果表明，所提出的方法优于竞争的方法，并产生可解释的和生物合理的结果的能力。

2020-04-01cs.CVcs.LGeess.IV

运动的有用一面：利用头部运动参数校正 BOLD fMRI 中的呼吸混杂因素

The Useful Side of Motion: Using Head Motion Parameters to Correct for Respiratory Confounds in BOLD fMRI

University of Calgary（卡尔加里大学）；Hotchkiss Brain Institute（霍奇基斯脑研究所）

针对 fMRI 外部呼吸数据采集困难，本文提出在 1D-CNN 中融合原始或呼吸频带带通滤波的头部运动参数，以提升静息态 BOLD-fMRI 的呼吸变异重建准确性。

2024-10-16cs.LGeess.IV

相关距离图学习用于基于rs-fMRI的治疗反应预测

Correlation-Distance Graph Learning for Treatment Response Prediction from rs-fMRI

Durham University（杜伦大学）；Capital Medical University（首都医科大学）；Beijing Anding Hospital（北京安定医院）；National Clinical Research Center for Mental Disorders（国家精神疾病临床研究中心）；National Center for Mental Disorders（国家精神障碍中心）；Beijing Key Laboratory of Mental Disorders（北京市精神疾病重点实验室）；Advanced Innovation Center for Human Brain Protection（人脑保护高精尖创新中心）

提出一种整合相关性与距离相似性的图学习框架，在对比损失下捕获多尺度脑动态特征，用于从rs-fMRI预测治疗反应，在慢性疼痛和人格解体数据集上优于现有方法。

2023-11-17cs.CVeess.IV

使用深度3D卷积神经网络从自发性fMRI解释人胎脑的年龄效应

Interpreting Age Effects of Human Fetal Brain from Spontaneous fMRI using Deep 3D Convolutional Neural Networks

Wayne State University（韦恩州立大学）；New York University（纽约大学）

了解人类胎儿神经发育具有重要的临床意义，因为发育异常与出生后的不良神经精神结局有关。功能性磁共振成像（fMRI）的最新进展为人类出生前大脑的发育提供了新的见解，但这些研究主要集中在大脑功能连接（即Fisher z评分）上，这需要手动处理步骤从fMRI图像中提取特征。深度学习方法（即，卷积神经网络在直接从图像数据学习方面取得了显着的成功，但尚未应用于胎儿fMRI以了解胎儿神经发育。在这里，我们通过将深度3D CNN应用于胎儿血氧水平依赖性（BOLD）静息状态fMRI数据来弥合这一差距。具体来说，我们测试了一个监督的CNN框架，作为一种数据驱动的方法，以隔离与年轻人和老年人相关的fMRI信号的变化。年龄较大的胎儿。基于学习的CNN，我们进一步进行灵敏度分析，以识别BOLD信号变化与胎儿脑年龄密切相关的脑区域。研究结果表明，深度CNN是一种很有前途的方法，可以识别胎儿大脑活动中区分年龄组的自发功能模式。此外，我们发现，最强烈区分群体的区域主要是双侧的，在老年和年轻年龄组中的分布相似，并且是人类早期发育中代谢活动增强的区域。

2019-06-09cs.LGeess.IVstat.ML

运动胎儿脑 fMRI 的四维迭代重建

4D iterative reconstruction of brain fMRI in the moving fetus

Computational Imaging Research Lab（计算成像研究实验室）；Medical University of Vienna（维也纳医科大学）；Lausanne University Hospital (CHUV)（洛桑大学医院（CHUV））；University of Lausanne (UNIL)（洛桑大学（UNIL））；CIBM Center for Biomedical Imaging（CIBM生物医学成像中心）

针对胎儿运动导致 fMRI 信号失真的问题，提出利用分散切片进行四维迭代重建的方法，并在真实临床胎儿数据上证明其优于传统三维插值。

2021-11-22cs.CVeess.IVphysics.med-ph

局部线性嵌入和fMRI特征选择在精神病分类中的应用

Locally Linear Embedding and fMRI feature selection in psychiatric classification

University of Alberta（阿尔伯塔大学）

背景资料：功能性磁共振成像（fMRI）使用内源性血氧水平依赖（BOLD）对比度提供神经元活动的非侵入性测量。本文介绍了一种非线性降维（局部线性嵌入）提取的BOLD时间序列的潜在神经元活动的信息措施。该方法是使用留一交叉验证（LOOCV）的准确性进行验证的精神病诊断使用休息状态和任务相关的功能磁共振成像分类。方法：BOLD时间序列的局部线性嵌入（到每个体素各自的张量中）用于优化特征选择。这使用了高斯的最小约束原理来保持空间和时间上的量。使用LOOCV评估这种保守性，以增量方式在根据精神病诊断分类的训练数据上重新选择时间点。调查结果：嵌入式功能磁共振成像在11个公开的数据集上提供了高度的诊断性能（> 80%），这些数据集包含健康对照和患有精神分裂症、注意力缺陷多动障碍（ADHD）或自闭症谱系障碍（ASD）的患者。此外，与使用主成分分析（PCA）减少伪影之前或之后的原始fMRI数据不同，嵌入式fMRI在11个数据集中的10个数据集上提供了显着优于机会分类（定义为多数类比例）的解释：局部线性嵌入似乎是一个有用的特征提取程序，保留了关于区分精神病队列的大脑活动模式的重要信息。

2019-11-07cs.LGeess.IVstat.ML