Abide In Me
PulseAugur coverage of Abide In Me — every cluster mentioning Abide In Me across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
大脑核磁共振基础模型主要编码采集位点，而非解剖结构
研究人员发现，当冷冻基础模型用于表示大脑核磁共振数据时，它们主要编码核磁共振采集的位点，而不是解剖或临床信息。这种效应在不同的队列、编码器和网络深度中都有观察到，即使是从随机初始化的模型或原始图像中，位点信息也高度可解码。虽然 ComBat 等方法可以去除这种位点指纹，但代价是会在共享子空间中将位点和解剖信息纠缠在一起。该研究建议对基础模型进行位点归因审计，并为此提供了一个开放的工具包。
-
新的联邦学习框架改进了跨站点的脑连接分析
研究人员开发了 FedDOSE，一个新颖的联邦学习框架，旨在改进跨多个站点的脑成像数据中动态功能连接的分析。该框架通过显式分解特定于站点的效应，解决了多站点数据固有的统计异质性挑战。FedDOSE 利用模块化引导的 Tucker 分解来处理高维动态功能连接张量，并采用最优传输和 Procrustes 分析来对齐特定类别的原型。在自闭症谱系障碍和注意力缺陷多动障碍数据集上的实验表明，FedDOSE 在检测方面的性能优于现有方法。
-
新的双曲学习框架增强了脑部疾病诊断
研究人员开发了一种名为“大脑图谱上的双曲学习”（HLBG）的新型框架，用于分析功能性大脑网络和诊断疾病。该方法利用深度双曲学习来模拟大脑网络固有的层级结构，从个体区域（ROIs）到全脑整合。HLBG将表示投影到洛伦兹双曲空间，并结合了图感知Mamba（GaMamba）模型，以捕捉长距离依赖性并保留拓扑信息。在ABIDE-I和REST-MDD数据集上的实验表明，HLBG优于现有的最先进方法，并识别出与疾病相关的生物标志物。
-
新AI框架BrainPICM增强脑网络分析
研究人员开发了BrainPICM，一个新颖的用于脑网络分析的自监督学习框架。该方法通过考虑大脑网络结构的个体差异来解决现有方法的局限性。BrainPICM采用渐进式、个体化的掩码策略，逐步将潜在的病理区域纳入训练，从而学习稳定的模块化结构和个体变异。该框架还包括一个偏差感知聚合模块，用于量化功能重组，提高可解释性和下游预测准确性。在fMRI数据集上的实验表明，BrainPICM在诊断准确性方面优于当前最先进的方法。
-
新的fMRI分析框架提高了脑部疾病的检测能力
研究人员开发了一个名为MSFL的新框架，该框架结合了fMRI信号的幅度和相位信息，以提高脑部疾病的检测能力。这种多尺度融合学习方法利用滑动窗口相关性（SWC）进行幅度相关性分析，并利用相位同步性（PS）进行相位相干性分析。在自闭症谱系障碍和重度抑郁症数据集上进行测试时，MSFL与现有模型相比表现出优越的性能，分析表明SWC和PS特征都有助于准确分类。