2016 Alzheimer’s disease facts and figures
1
2016
... 阿尔茨海默症(Alzheimer’s disease,AD)是一种神经系统退行性疾病[1].最近的一项研究[2]指出,在65岁以上的人群中,AD影响记忆、推理和沟通能力,严重干扰人类的日常生活,最终可导致死亡.然而,不幸的是,到目前为止,仍然没有有效的手段可以治疗AD.因此,识别AD的早期症状,延缓AD发病和进展的药物或行为干预非常重要. ...
Healthy brain aging:a meeting report from the Sylvan M.Cohen annual retreat of the University of Pennsylvania Institute on Aging
1
2008
... 阿尔茨海默症(Alzheimer’s disease,AD)是一种神经系统退行性疾病[1].最近的一项研究[2]指出,在65岁以上的人群中,AD影响记忆、推理和沟通能力,严重干扰人类的日常生活,最终可导致死亡.然而,不幸的是,到目前为止,仍然没有有效的手段可以治疗AD.因此,识别AD的早期症状,延缓AD发病和进展的药物或行为干预非常重要. ...
Identification of MCI individuals using structural and functional connectivity networks
1
2012
... 通常,研究者将轻度认知障碍(mild cognitive impairment,MCI)作为 AD 早期阶段的一个预测靶点[3].最近的一些统计研究发现,每年有10%~15%的MCI患者倾向于发展为可能的AD[4,5].无论是对MCI期还是MCI临床前的早期治疗都被认为是减缓AD进展的重要手段[6].因此,对于MCI的诊断显得尤为重要. ...
Mild cognitive impairment can be distinguished from Alzheimer disease and normal aging for clinical trials
1
2004
... 通常,研究者将轻度认知障碍(mild cognitive impairment,MCI)作为 AD 早期阶段的一个预测靶点[3].最近的一些统计研究发现,每年有10%~15%的MCI患者倾向于发展为可能的AD[4,5].无论是对MCI期还是MCI临床前的早期治疗都被认为是减缓AD进展的重要手段[6].因此,对于MCI的诊断显得尤为重要. ...
Baseline and longitudinal patterns of brain atrophy in MCI patients,and their use in prediction of short-term conversion to AD:results from ADNI
1
2009
... 通常,研究者将轻度认知障碍(mild cognitive impairment,MCI)作为 AD 早期阶段的一个预测靶点[3].最近的一些统计研究发现,每年有10%~15%的MCI患者倾向于发展为可能的AD[4,5].无论是对MCI期还是MCI临床前的早期治疗都被认为是减缓AD进展的重要手段[6].因此,对于MCI的诊断显得尤为重要. ...
2017 Alzheimer’s disease facts and figures
1
2017
... 通常,研究者将轻度认知障碍(mild cognitive impairment,MCI)作为 AD 早期阶段的一个预测靶点[3].最近的一些统计研究发现,每年有10%~15%的MCI患者倾向于发展为可能的AD[4,5].无论是对MCI期还是MCI临床前的早期治疗都被认为是减缓AD进展的重要手段[6].因此,对于MCI的诊断显得尤为重要. ...
Human brain activation elicited by the localization of sounds delivering at attended or unattended positions:an fMRI/MEG study
1
2006
... 作为一种时间分辨率丰富、非侵入无辐射的医学成像技术,功能磁共振成像(functional magnetic resonance imaging,fMRI)技术为测量脑活动提供了一种非常有效的方法[7,8,9].然而,考虑到跨受试者自发的大脑活动或扫描仪器的状态通常是随机且异步的,因此,利用fMRI从正常对照组中识别MCI患者仍然是一个严峻的挑战.相比之下,利用二阶或者更高阶的统计信息,功能性脑网络(functional brain network,FBN)能有效刻画大脑内部信息的传递方式,通过一个整体的方式对大脑的模式进行更加深入的分析和了解,从而为大脑的激活模式和拓扑结构进行一个更加深入的表述,为理解大脑以及神经退行性疾病提供一个更加稳健的生物标记.目前,针对脑网络的研究已经成为大脑科学神经科学中的一个信息研究热点[10,11,12,13,14].此外,大脑功能网络连接也被发现与一些神经退行性疾病(如自闭症(autistic spectrum disorder,ASD)[15,16]、轻度认知障碍[12,17,b18,19]、老年痴呆[20,21,22]以及帕金森综合征(Parkinsonism disease,PD)等)高度相关.事实上,所有这些都在很大限度上依赖于最终估计的 FBN的质量,因此,估计一个更可靠的 FBN 显得至关重要[23]. ...
Global and local fMRI signals driven by neurons defined optogenetically by type and wiring
1
2010
... 作为一种时间分辨率丰富、非侵入无辐射的医学成像技术,功能磁共振成像(functional magnetic resonance imaging,fMRI)技术为测量脑活动提供了一种非常有效的方法[7,8,9].然而,考虑到跨受试者自发的大脑活动或扫描仪器的状态通常是随机且异步的,因此,利用fMRI从正常对照组中识别MCI患者仍然是一个严峻的挑战.相比之下,利用二阶或者更高阶的统计信息,功能性脑网络(functional brain network,FBN)能有效刻画大脑内部信息的传递方式,通过一个整体的方式对大脑的模式进行更加深入的分析和了解,从而为大脑的激活模式和拓扑结构进行一个更加深入的表述,为理解大脑以及神经退行性疾病提供一个更加稳健的生物标记.目前,针对脑网络的研究已经成为大脑科学神经科学中的一个信息研究热点[10,11,12,13,14].此外,大脑功能网络连接也被发现与一些神经退行性疾病(如自闭症(autistic spectrum disorder,ASD)[15,16]、轻度认知障碍[12,17,b18,19]、老年痴呆[20,21,22]以及帕金森综合征(Parkinsonism disease,PD)等)高度相关.事实上,所有这些都在很大限度上依赖于最终估计的 FBN的质量,因此,估计一个更可靠的 FBN 显得至关重要[23]. ...
Correspondence of visual evoked potentials with FMRI signals in human visual cortex
1
2008
... 作为一种时间分辨率丰富、非侵入无辐射的医学成像技术,功能磁共振成像(functional magnetic resonance imaging,fMRI)技术为测量脑活动提供了一种非常有效的方法[7,8,9].然而,考虑到跨受试者自发的大脑活动或扫描仪器的状态通常是随机且异步的,因此,利用fMRI从正常对照组中识别MCI患者仍然是一个严峻的挑战.相比之下,利用二阶或者更高阶的统计信息,功能性脑网络(functional brain network,FBN)能有效刻画大脑内部信息的传递方式,通过一个整体的方式对大脑的模式进行更加深入的分析和了解,从而为大脑的激活模式和拓扑结构进行一个更加深入的表述,为理解大脑以及神经退行性疾病提供一个更加稳健的生物标记.目前,针对脑网络的研究已经成为大脑科学神经科学中的一个信息研究热点[10,11,12,13,14].此外,大脑功能网络连接也被发现与一些神经退行性疾病(如自闭症(autistic spectrum disorder,ASD)[15,16]、轻度认知障碍[12,17,b18,19]、老年痴呆[20,21,22]以及帕金森综合征(Parkinsonism disease,PD)等)高度相关.事实上,所有这些都在很大限度上依赖于最终估计的 FBN的质量,因此,估计一个更可靠的 FBN 显得至关重要[23]. ...
Sparse network-based models for patient classification using fMRI
1
2015
... 作为一种时间分辨率丰富、非侵入无辐射的医学成像技术,功能磁共振成像(functional magnetic resonance imaging,fMRI)技术为测量脑活动提供了一种非常有效的方法[7,8,9].然而,考虑到跨受试者自发的大脑活动或扫描仪器的状态通常是随机且异步的,因此,利用fMRI从正常对照组中识别MCI患者仍然是一个严峻的挑战.相比之下,利用二阶或者更高阶的统计信息,功能性脑网络(functional brain network,FBN)能有效刻画大脑内部信息的传递方式,通过一个整体的方式对大脑的模式进行更加深入的分析和了解,从而为大脑的激活模式和拓扑结构进行一个更加深入的表述,为理解大脑以及神经退行性疾病提供一个更加稳健的生物标记.目前,针对脑网络的研究已经成为大脑科学神经科学中的一个信息研究热点[10,11,12,13,14].此外,大脑功能网络连接也被发现与一些神经退行性疾病(如自闭症(autistic spectrum disorder,ASD)[15,16]、轻度认知障碍[12,17,b18,19]、老年痴呆[20,21,22]以及帕金森综合征(Parkinsonism disease,PD)等)高度相关.事实上,所有这些都在很大限度上依赖于最终估计的 FBN的质量,因此,估计一个更可靠的 FBN 显得至关重要[23]. ...
Modern network science of neurological disorders
1
2014
... 作为一种时间分辨率丰富、非侵入无辐射的医学成像技术,功能磁共振成像(functional magnetic resonance imaging,fMRI)技术为测量脑活动提供了一种非常有效的方法[7,8,9].然而,考虑到跨受试者自发的大脑活动或扫描仪器的状态通常是随机且异步的,因此,利用fMRI从正常对照组中识别MCI患者仍然是一个严峻的挑战.相比之下,利用二阶或者更高阶的统计信息,功能性脑网络(functional brain network,FBN)能有效刻画大脑内部信息的传递方式,通过一个整体的方式对大脑的模式进行更加深入的分析和了解,从而为大脑的激活模式和拓扑结构进行一个更加深入的表述,为理解大脑以及神经退行性疾病提供一个更加稳健的生物标记.目前,针对脑网络的研究已经成为大脑科学神经科学中的一个信息研究热点[10,11,12,13,14].此外,大脑功能网络连接也被发现与一些神经退行性疾病(如自闭症(autistic spectrum disorder,ASD)[15,16]、轻度认知障碍[12,17,b18,19]、老年痴呆[20,21,22]以及帕金森综合征(Parkinsonism disease,PD)等)高度相关.事实上,所有这些都在很大限度上依赖于最终估计的 FBN的质量,因此,估计一个更可靠的 FBN 显得至关重要[23]. ...
Identification of MCI individuals using structural and functional connectivity networks
2
2012
... 作为一种时间分辨率丰富、非侵入无辐射的医学成像技术,功能磁共振成像(functional magnetic resonance imaging,fMRI)技术为测量脑活动提供了一种非常有效的方法[7,8,9].然而,考虑到跨受试者自发的大脑活动或扫描仪器的状态通常是随机且异步的,因此,利用fMRI从正常对照组中识别MCI患者仍然是一个严峻的挑战.相比之下,利用二阶或者更高阶的统计信息,功能性脑网络(functional brain network,FBN)能有效刻画大脑内部信息的传递方式,通过一个整体的方式对大脑的模式进行更加深入的分析和了解,从而为大脑的激活模式和拓扑结构进行一个更加深入的表述,为理解大脑以及神经退行性疾病提供一个更加稳健的生物标记.目前,针对脑网络的研究已经成为大脑科学神经科学中的一个信息研究热点[10,11,12,13,14].此外,大脑功能网络连接也被发现与一些神经退行性疾病(如自闭症(autistic spectrum disorder,ASD)[15,16]、轻度认知障碍[12,17,b18,19]、老年痴呆[20,21,22]以及帕金森综合征(Parkinsonism disease,PD)等)高度相关.事实上,所有这些都在很大限度上依赖于最终估计的 FBN的质量,因此,估计一个更可靠的 FBN 显得至关重要[23]. ...
... [12,17,b18,19]、老年痴呆[20,21,22]以及帕金森综合征(Parkinsonism disease,PD)等)高度相关.事实上,所有这些都在很大限度上依赖于最终估计的 FBN的质量,因此,估计一个更可靠的 FBN 显得至关重要[23]. ...
Networks of the brain
2
2011
... 作为一种时间分辨率丰富、非侵入无辐射的医学成像技术,功能磁共振成像(functional magnetic resonance imaging,fMRI)技术为测量脑活动提供了一种非常有效的方法[7,8,9].然而,考虑到跨受试者自发的大脑活动或扫描仪器的状态通常是随机且异步的,因此,利用fMRI从正常对照组中识别MCI患者仍然是一个严峻的挑战.相比之下,利用二阶或者更高阶的统计信息,功能性脑网络(functional brain network,FBN)能有效刻画大脑内部信息的传递方式,通过一个整体的方式对大脑的模式进行更加深入的分析和了解,从而为大脑的激活模式和拓扑结构进行一个更加深入的表述,为理解大脑以及神经退行性疾病提供一个更加稳健的生物标记.目前,针对脑网络的研究已经成为大脑科学神经科学中的一个信息研究热点[10,11,12,13,14].此外,大脑功能网络连接也被发现与一些神经退行性疾病(如自闭症(autistic spectrum disorder,ASD)[15,16]、轻度认知障碍[12,17,b18,19]、老年痴呆[20,21,22]以及帕金森综合征(Parkinsonism disease,PD)等)高度相关.事实上,所有这些都在很大限度上依赖于最终估计的 FBN的质量,因此,估计一个更可靠的 FBN 显得至关重要[23]. ...
... 最近的一项综述显示,最广泛使用的 FBN 建模方式是基于二阶统计量(或相关性)来刻画不同脑区或者兴趣区(region of interest,ROI)之间的连接[24]的,这些基于相关性的脑网络建模方法通常比复杂的高阶方法更加有效.因此,本文主要关注基于相关性的方法,并简要回顾皮尔逊相关(Pearson’s correlation,PC)[25]、稀疏表示(sparse representation,SR)[26,27]以及一些相关的变体等方法.由于数据采集时存在噪声,因此构建的脑网络不可避免地会存在稠密的连接,包含大量的噪声或虚假连接.一个解决办法就是引入稀疏的先验信息,如阈值方法或LASSO的方法[25].但是,需要注意的是,脑网络是一个复杂的系统,并不简单地只有稀疏性一个先验信息[13,28].目前,为了获得更有代表性的FBN,已经有研究提出了更好的FBN估计和神经疾病诊断.事实上,它们大部分都可以在一个正则化的框架下进行解释,这说明一个可靠的FBN 估计模型不仅要很好地拟合数据,而且要有效地编码大脑组织的先验知识[29].实践中,常用的先验信息包括稀疏性、模块性、群稀疏性、低秩和无标度性等[19,25,26,29,30].另外,还可以通过数据的质量[23]以及其他先验知识[31]构建脑网络正则项.FBN估计模型将这些先验信息转化为相应的正则项,从而提高了得到的FBN的性能和诊断的准确性. ...
Network modelling methods for fMRI
1
2011
... 作为一种时间分辨率丰富、非侵入无辐射的医学成像技术,功能磁共振成像(functional magnetic resonance imaging,fMRI)技术为测量脑活动提供了一种非常有效的方法[7,8,9].然而,考虑到跨受试者自发的大脑活动或扫描仪器的状态通常是随机且异步的,因此,利用fMRI从正常对照组中识别MCI患者仍然是一个严峻的挑战.相比之下,利用二阶或者更高阶的统计信息,功能性脑网络(functional brain network,FBN)能有效刻画大脑内部信息的传递方式,通过一个整体的方式对大脑的模式进行更加深入的分析和了解,从而为大脑的激活模式和拓扑结构进行一个更加深入的表述,为理解大脑以及神经退行性疾病提供一个更加稳健的生物标记.目前,针对脑网络的研究已经成为大脑科学神经科学中的一个信息研究热点[10,11,12,13,14].此外,大脑功能网络连接也被发现与一些神经退行性疾病(如自闭症(autistic spectrum disorder,ASD)[15,16]、轻度认知障碍[12,17,b18,19]、老年痴呆[20,21,22]以及帕金森综合征(Parkinsonism disease,PD)等)高度相关.事实上,所有这些都在很大限度上依赖于最终估计的 FBN的质量,因此,估计一个更可靠的 FBN 显得至关重要[23]. ...
Fractionation of social brain circuits in autism spectrum disorders
1
2012
... 作为一种时间分辨率丰富、非侵入无辐射的医学成像技术,功能磁共振成像(functional magnetic resonance imaging,fMRI)技术为测量脑活动提供了一种非常有效的方法[7,8,9].然而,考虑到跨受试者自发的大脑活动或扫描仪器的状态通常是随机且异步的,因此,利用fMRI从正常对照组中识别MCI患者仍然是一个严峻的挑战.相比之下,利用二阶或者更高阶的统计信息,功能性脑网络(functional brain network,FBN)能有效刻画大脑内部信息的传递方式,通过一个整体的方式对大脑的模式进行更加深入的分析和了解,从而为大脑的激活模式和拓扑结构进行一个更加深入的表述,为理解大脑以及神经退行性疾病提供一个更加稳健的生物标记.目前,针对脑网络的研究已经成为大脑科学神经科学中的一个信息研究热点[10,11,12,13,14].此外,大脑功能网络连接也被发现与一些神经退行性疾病(如自闭症(autistic spectrum disorder,ASD)[15,16]、轻度认知障碍[12,17,b18,19]、老年痴呆[20,21,22]以及帕金森综合征(Parkinsonism disease,PD)等)高度相关.事实上,所有这些都在很大限度上依赖于最终估计的 FBN的质量,因此,估计一个更可靠的 FBN 显得至关重要[23]. ...
Pathways underlying the gut-to-brain connection in autism spectrum disorders as future targets for disease management
1
2011
... 作为一种时间分辨率丰富、非侵入无辐射的医学成像技术,功能磁共振成像(functional magnetic resonance imaging,fMRI)技术为测量脑活动提供了一种非常有效的方法[7,8,9].然而,考虑到跨受试者自发的大脑活动或扫描仪器的状态通常是随机且异步的,因此,利用fMRI从正常对照组中识别MCI患者仍然是一个严峻的挑战.相比之下,利用二阶或者更高阶的统计信息,功能性脑网络(functional brain network,FBN)能有效刻画大脑内部信息的传递方式,通过一个整体的方式对大脑的模式进行更加深入的分析和了解,从而为大脑的激活模式和拓扑结构进行一个更加深入的表述,为理解大脑以及神经退行性疾病提供一个更加稳健的生物标记.目前,针对脑网络的研究已经成为大脑科学神经科学中的一个信息研究热点[10,11,12,13,14].此外,大脑功能网络连接也被发现与一些神经退行性疾病(如自闭症(autistic spectrum disorder,ASD)[15,16]、轻度认知障碍[12,17,b18,19]、老年痴呆[20,21,22]以及帕金森综合征(Parkinsonism disease,PD)等)高度相关.事实上,所有这些都在很大限度上依赖于最终估计的 FBN的质量,因此,估计一个更可靠的 FBN 显得至关重要[23]. ...
MCI diagnosis via manifold based classification of functional brain networks
1
2010
... 作为一种时间分辨率丰富、非侵入无辐射的医学成像技术,功能磁共振成像(functional magnetic resonance imaging,fMRI)技术为测量脑活动提供了一种非常有效的方法[7,8,9].然而,考虑到跨受试者自发的大脑活动或扫描仪器的状态通常是随机且异步的,因此,利用fMRI从正常对照组中识别MCI患者仍然是一个严峻的挑战.相比之下,利用二阶或者更高阶的统计信息,功能性脑网络(functional brain network,FBN)能有效刻画大脑内部信息的传递方式,通过一个整体的方式对大脑的模式进行更加深入的分析和了解,从而为大脑的激活模式和拓扑结构进行一个更加深入的表述,为理解大脑以及神经退行性疾病提供一个更加稳健的生物标记.目前,针对脑网络的研究已经成为大脑科学神经科学中的一个信息研究热点[10,11,12,13,14].此外,大脑功能网络连接也被发现与一些神经退行性疾病(如自闭症(autistic spectrum disorder,ASD)[15,16]、轻度认知障碍[12,17,b18,19]、老年痴呆[20,21,22]以及帕金森综合征(Parkinsonism disease,PD)等)高度相关.事实上,所有这些都在很大限度上依赖于最终估计的 FBN的质量,因此,估计一个更可靠的 FBN 显得至关重要[23]. ...
Group-constrained sparse fMRI connectivity modeling for mild cognitive impairment identification
1
2014
... 作为一种时间分辨率丰富、非侵入无辐射的医学成像技术,功能磁共振成像(functional magnetic resonance imaging,fMRI)技术为测量脑活动提供了一种非常有效的方法[7,8,9].然而,考虑到跨受试者自发的大脑活动或扫描仪器的状态通常是随机且异步的,因此,利用fMRI从正常对照组中识别MCI患者仍然是一个严峻的挑战.相比之下,利用二阶或者更高阶的统计信息,功能性脑网络(functional brain network,FBN)能有效刻画大脑内部信息的传递方式,通过一个整体的方式对大脑的模式进行更加深入的分析和了解,从而为大脑的激活模式和拓扑结构进行一个更加深入的表述,为理解大脑以及神经退行性疾病提供一个更加稳健的生物标记.目前,针对脑网络的研究已经成为大脑科学神经科学中的一个信息研究热点[10,11,12,13,14].此外,大脑功能网络连接也被发现与一些神经退行性疾病(如自闭症(autistic spectrum disorder,ASD)[15,16]、轻度认知障碍[12,17,b18,19]、老年痴呆[20,21,22]以及帕金森综合征(Parkinsonism disease,PD)等)高度相关.事实上,所有这些都在很大限度上依赖于最终估计的 FBN的质量,因此,估计一个更可靠的 FBN 显得至关重要[23]. ...
Correlation-weighted sparse group representation for brain network construction in MCI classification
2
2016
... 作为一种时间分辨率丰富、非侵入无辐射的医学成像技术,功能磁共振成像(functional magnetic resonance imaging,fMRI)技术为测量脑活动提供了一种非常有效的方法[7,8,9].然而,考虑到跨受试者自发的大脑活动或扫描仪器的状态通常是随机且异步的,因此,利用fMRI从正常对照组中识别MCI患者仍然是一个严峻的挑战.相比之下,利用二阶或者更高阶的统计信息,功能性脑网络(functional brain network,FBN)能有效刻画大脑内部信息的传递方式,通过一个整体的方式对大脑的模式进行更加深入的分析和了解,从而为大脑的激活模式和拓扑结构进行一个更加深入的表述,为理解大脑以及神经退行性疾病提供一个更加稳健的生物标记.目前,针对脑网络的研究已经成为大脑科学神经科学中的一个信息研究热点[10,11,12,13,14].此外,大脑功能网络连接也被发现与一些神经退行性疾病(如自闭症(autistic spectrum disorder,ASD)[15,16]、轻度认知障碍[12,17,b18,19]、老年痴呆[20,21,22]以及帕金森综合征(Parkinsonism disease,PD)等)高度相关.事实上,所有这些都在很大限度上依赖于最终估计的 FBN的质量,因此,估计一个更可靠的 FBN 显得至关重要[23]. ...
... 最近的一项综述显示,最广泛使用的 FBN 建模方式是基于二阶统计量(或相关性)来刻画不同脑区或者兴趣区(region of interest,ROI)之间的连接[24]的,这些基于相关性的脑网络建模方法通常比复杂的高阶方法更加有效.因此,本文主要关注基于相关性的方法,并简要回顾皮尔逊相关(Pearson’s correlation,PC)[25]、稀疏表示(sparse representation,SR)[26,27]以及一些相关的变体等方法.由于数据采集时存在噪声,因此构建的脑网络不可避免地会存在稠密的连接,包含大量的噪声或虚假连接.一个解决办法就是引入稀疏的先验信息,如阈值方法或LASSO的方法[25].但是,需要注意的是,脑网络是一个复杂的系统,并不简单地只有稀疏性一个先验信息[13,28].目前,为了获得更有代表性的FBN,已经有研究提出了更好的FBN估计和神经疾病诊断.事实上,它们大部分都可以在一个正则化的框架下进行解释,这说明一个可靠的FBN 估计模型不仅要很好地拟合数据,而且要有效地编码大脑组织的先验知识[29].实践中,常用的先验信息包括稀疏性、模块性、群稀疏性、低秩和无标度性等[19,25,26,29,30].另外,还可以通过数据的质量[23]以及其他先验知识[31]构建脑网络正则项.FBN估计模型将这些先验信息转化为相应的正则项,从而提高了得到的FBN的性能和诊断的准确性. ...
Inter-modality relationship constrained multi-task feature selection for AD/MCI classification
1
2012
... 作为一种时间分辨率丰富、非侵入无辐射的医学成像技术,功能磁共振成像(functional magnetic resonance imaging,fMRI)技术为测量脑活动提供了一种非常有效的方法[7,8,9].然而,考虑到跨受试者自发的大脑活动或扫描仪器的状态通常是随机且异步的,因此,利用fMRI从正常对照组中识别MCI患者仍然是一个严峻的挑战.相比之下,利用二阶或者更高阶的统计信息,功能性脑网络(functional brain network,FBN)能有效刻画大脑内部信息的传递方式,通过一个整体的方式对大脑的模式进行更加深入的分析和了解,从而为大脑的激活模式和拓扑结构进行一个更加深入的表述,为理解大脑以及神经退行性疾病提供一个更加稳健的生物标记.目前,针对脑网络的研究已经成为大脑科学神经科学中的一个信息研究热点[10,11,12,13,14].此外,大脑功能网络连接也被发现与一些神经退行性疾病(如自闭症(autistic spectrum disorder,ASD)[15,16]、轻度认知障碍[12,17,b18,19]、老年痴呆[20,21,22]以及帕金森综合征(Parkinsonism disease,PD)等)高度相关.事实上,所有这些都在很大限度上依赖于最终估计的 FBN的质量,因此,估计一个更可靠的 FBN 显得至关重要[23]. ...
Network analysis of intrinsic functional brain connectivity in Alzheimer's disease
1
2008
... 作为一种时间分辨率丰富、非侵入无辐射的医学成像技术,功能磁共振成像(functional magnetic resonance imaging,fMRI)技术为测量脑活动提供了一种非常有效的方法[7,8,9].然而,考虑到跨受试者自发的大脑活动或扫描仪器的状态通常是随机且异步的,因此,利用fMRI从正常对照组中识别MCI患者仍然是一个严峻的挑战.相比之下,利用二阶或者更高阶的统计信息,功能性脑网络(functional brain network,FBN)能有效刻画大脑内部信息的传递方式,通过一个整体的方式对大脑的模式进行更加深入的分析和了解,从而为大脑的激活模式和拓扑结构进行一个更加深入的表述,为理解大脑以及神经退行性疾病提供一个更加稳健的生物标记.目前,针对脑网络的研究已经成为大脑科学神经科学中的一个信息研究热点[10,11,12,13,14].此外,大脑功能网络连接也被发现与一些神经退行性疾病(如自闭症(autistic spectrum disorder,ASD)[15,16]、轻度认知障碍[12,17,b18,19]、老年痴呆[20,21,22]以及帕金森综合征(Parkinsonism disease,PD)等)高度相关.事实上,所有这些都在很大限度上依赖于最终估计的 FBN的质量,因此,估计一个更可靠的 FBN 显得至关重要[23]. ...
Learning brain connectivity of Alzheimer's disease from neuroimaging data
1
2009
... 作为一种时间分辨率丰富、非侵入无辐射的医学成像技术,功能磁共振成像(functional magnetic resonance imaging,fMRI)技术为测量脑活动提供了一种非常有效的方法[7,8,9].然而,考虑到跨受试者自发的大脑活动或扫描仪器的状态通常是随机且异步的,因此,利用fMRI从正常对照组中识别MCI患者仍然是一个严峻的挑战.相比之下,利用二阶或者更高阶的统计信息,功能性脑网络(functional brain network,FBN)能有效刻画大脑内部信息的传递方式,通过一个整体的方式对大脑的模式进行更加深入的分析和了解,从而为大脑的激活模式和拓扑结构进行一个更加深入的表述,为理解大脑以及神经退行性疾病提供一个更加稳健的生物标记.目前,针对脑网络的研究已经成为大脑科学神经科学中的一个信息研究热点[10,11,12,13,14].此外,大脑功能网络连接也被发现与一些神经退行性疾病(如自闭症(autistic spectrum disorder,ASD)[15,16]、轻度认知障碍[12,17,b18,19]、老年痴呆[20,21,22]以及帕金森综合征(Parkinsonism disease,PD)等)高度相关.事实上,所有这些都在很大限度上依赖于最终估计的 FBN的质量,因此,估计一个更可靠的 FBN 显得至关重要[23]. ...
Functional brain network estimation with time series self-scrubbing
2
2019
... 作为一种时间分辨率丰富、非侵入无辐射的医学成像技术,功能磁共振成像(functional magnetic resonance imaging,fMRI)技术为测量脑活动提供了一种非常有效的方法[7,8,9].然而,考虑到跨受试者自发的大脑活动或扫描仪器的状态通常是随机且异步的,因此,利用fMRI从正常对照组中识别MCI患者仍然是一个严峻的挑战.相比之下,利用二阶或者更高阶的统计信息,功能性脑网络(functional brain network,FBN)能有效刻画大脑内部信息的传递方式,通过一个整体的方式对大脑的模式进行更加深入的分析和了解,从而为大脑的激活模式和拓扑结构进行一个更加深入的表述,为理解大脑以及神经退行性疾病提供一个更加稳健的生物标记.目前,针对脑网络的研究已经成为大脑科学神经科学中的一个信息研究热点[10,11,12,13,14].此外,大脑功能网络连接也被发现与一些神经退行性疾病(如自闭症(autistic spectrum disorder,ASD)[15,16]、轻度认知障碍[12,17,b18,19]、老年痴呆[20,21,22]以及帕金森综合征(Parkinsonism disease,PD)等)高度相关.事实上,所有这些都在很大限度上依赖于最终估计的 FBN的质量,因此,估计一个更可靠的 FBN 显得至关重要[23]. ...
... 最近的一项综述显示,最广泛使用的 FBN 建模方式是基于二阶统计量(或相关性)来刻画不同脑区或者兴趣区(region of interest,ROI)之间的连接[24]的,这些基于相关性的脑网络建模方法通常比复杂的高阶方法更加有效.因此,本文主要关注基于相关性的方法,并简要回顾皮尔逊相关(Pearson’s correlation,PC)[25]、稀疏表示(sparse representation,SR)[26,27]以及一些相关的变体等方法.由于数据采集时存在噪声,因此构建的脑网络不可避免地会存在稠密的连接,包含大量的噪声或虚假连接.一个解决办法就是引入稀疏的先验信息,如阈值方法或LASSO的方法[25].但是,需要注意的是,脑网络是一个复杂的系统,并不简单地只有稀疏性一个先验信息[13,28].目前,为了获得更有代表性的FBN,已经有研究提出了更好的FBN估计和神经疾病诊断.事实上,它们大部分都可以在一个正则化的框架下进行解释,这说明一个可靠的FBN 估计模型不仅要很好地拟合数据,而且要有效地编码大脑组织的先验知识[29].实践中,常用的先验信息包括稀疏性、模块性、群稀疏性、低秩和无标度性等[19,25,26,29,30].另外,还可以通过数据的质量[23]以及其他先验知识[31]构建脑网络正则项.FBN估计模型将这些先验信息转化为相应的正则项,从而提高了得到的FBN的性能和诊断的准确性. ...
Network modelling methods for FMRI
1
2011
... 最近的一项综述显示,最广泛使用的 FBN 建模方式是基于二阶统计量(或相关性)来刻画不同脑区或者兴趣区(region of interest,ROI)之间的连接[24]的,这些基于相关性的脑网络建模方法通常比复杂的高阶方法更加有效.因此,本文主要关注基于相关性的方法,并简要回顾皮尔逊相关(Pearson’s correlation,PC)[25]、稀疏表示(sparse representation,SR)[26,27]以及一些相关的变体等方法.由于数据采集时存在噪声,因此构建的脑网络不可避免地会存在稠密的连接,包含大量的噪声或虚假连接.一个解决办法就是引入稀疏的先验信息,如阈值方法或LASSO的方法[25].但是,需要注意的是,脑网络是一个复杂的系统,并不简单地只有稀疏性一个先验信息[13,28].目前,为了获得更有代表性的FBN,已经有研究提出了更好的FBN估计和神经疾病诊断.事实上,它们大部分都可以在一个正则化的框架下进行解释,这说明一个可靠的FBN 估计模型不仅要很好地拟合数据,而且要有效地编码大脑组织的先验知识[29].实践中,常用的先验信息包括稀疏性、模块性、群稀疏性、低秩和无标度性等[19,25,26,29,30].另外,还可以通过数据的质量[23]以及其他先验知识[31]构建脑网络正则项.FBN估计模型将这些先验信息转化为相应的正则项,从而提高了得到的FBN的性能和诊断的准确性. ...
Remodeling Pearson's correlation for functional brain network estimation and autism spectrum disorder identification
4
2017
... 最近的一项综述显示,最广泛使用的 FBN 建模方式是基于二阶统计量(或相关性)来刻画不同脑区或者兴趣区(region of interest,ROI)之间的连接[24]的,这些基于相关性的脑网络建模方法通常比复杂的高阶方法更加有效.因此,本文主要关注基于相关性的方法,并简要回顾皮尔逊相关(Pearson’s correlation,PC)[25]、稀疏表示(sparse representation,SR)[26,27]以及一些相关的变体等方法.由于数据采集时存在噪声,因此构建的脑网络不可避免地会存在稠密的连接,包含大量的噪声或虚假连接.一个解决办法就是引入稀疏的先验信息,如阈值方法或LASSO的方法[25].但是,需要注意的是,脑网络是一个复杂的系统,并不简单地只有稀疏性一个先验信息[13,28].目前,为了获得更有代表性的FBN,已经有研究提出了更好的FBN估计和神经疾病诊断.事实上,它们大部分都可以在一个正则化的框架下进行解释,这说明一个可靠的FBN 估计模型不仅要很好地拟合数据,而且要有效地编码大脑组织的先验知识[29].实践中,常用的先验信息包括稀疏性、模块性、群稀疏性、低秩和无标度性等[19,25,26,29,30].另外,还可以通过数据的质量[23]以及其他先验知识[31]构建脑网络正则项.FBN估计模型将这些先验信息转化为相应的正则项,从而提高了得到的FBN的性能和诊断的准确性. ...
... [25].但是,需要注意的是,脑网络是一个复杂的系统,并不简单地只有稀疏性一个先验信息[13,28].目前,为了获得更有代表性的FBN,已经有研究提出了更好的FBN估计和神经疾病诊断.事实上,它们大部分都可以在一个正则化的框架下进行解释,这说明一个可靠的FBN 估计模型不仅要很好地拟合数据,而且要有效地编码大脑组织的先验知识[29].实践中,常用的先验信息包括稀疏性、模块性、群稀疏性、低秩和无标度性等[19,25,26,29,30].另外,还可以通过数据的质量[23]以及其他先验知识[31]构建脑网络正则项.FBN估计模型将这些先验信息转化为相应的正则项,从而提高了得到的FBN的性能和诊断的准确性. ...
... ,25,26,29,30].另外,还可以通过数据的质量[23]以及其他先验知识[31]构建脑网络正则项.FBN估计模型将这些先验信息转化为相应的正则项,从而提高了得到的FBN的性能和诊断的准确性. ...
... 宏观尺度的脑网络首先需要获取宏观尺度的BOLD(blood oxygenation level dependent)信号,一般采用ROI或者脑区的平均信号.目前,一项脑网络的综述研究[34]指出,基于二阶统计量的全相关的脑网络建模方式[25]比其他复杂的脑网络方式更加稳定.此外,其他一些复杂的脑网络建模方式(从简单到最复杂)有偏相关模型[35]、贝叶斯网络模型、结构方程模型[36]、动态因果模型[37].事实上,大部分的脑网络建模模型都可以抽象为对于生理特征以及数据统计关系之间的建模,而这些模型都是在统计性能、生理特征表示以及计算鲁棒性之间的一种平衡和折中.比如基于全相关的 PC 脑网络建模模型,能够有效刻画脑区之间的相关关系,计算性能高效.然而,这种方式无法有效地在模型中嵌入脑网络中的生理先验信息,因此扩展性不足.动态因果模型虽然能够对大脑信息传递的生理信息进行刻画,然而其计算复杂度非常高,很难对大规模的网络进行计算,因此只能针对少量节点的网络进行建模.这些方法通常只针对有特点的先验信息或者统计信息进行建模,很难进行扩展,因此需要一种更易扩展的框架对脑网络进行建模.由于正则化框架在机器学习中可以很好地通过引入数据拟合项以及正则项对先验信息及物理假设进行建模,因此正则化技术也开始应用于脑网络建模中,对脑网络进行构建和约束,从而引入统计假设以及生物先验信息.文献[38]发现,这种正则化框架构建脑网络的方式为构建的脑网络嵌入先验信息提供了一种非常高效的平台,从而使得所构建的脑网络具有更好的生物可解释性,并且该框架下大量的优化工具包能实现非常高效的求解.由于本文更多的是对组内约束的验证,且考虑到二阶统计量的脑网络的稳定性,因此本文采用基于二阶统计量的最常用的相关性(PC 以及偏序相关)的脑网络建模方法作为基准方法,下面分别进行简要介绍. ...
Sparse brain network recovery under compressed sensing
2
2011
... 最近的一项综述显示,最广泛使用的 FBN 建模方式是基于二阶统计量(或相关性)来刻画不同脑区或者兴趣区(region of interest,ROI)之间的连接[24]的,这些基于相关性的脑网络建模方法通常比复杂的高阶方法更加有效.因此,本文主要关注基于相关性的方法,并简要回顾皮尔逊相关(Pearson’s correlation,PC)[25]、稀疏表示(sparse representation,SR)[26,27]以及一些相关的变体等方法.由于数据采集时存在噪声,因此构建的脑网络不可避免地会存在稠密的连接,包含大量的噪声或虚假连接.一个解决办法就是引入稀疏的先验信息,如阈值方法或LASSO的方法[25].但是,需要注意的是,脑网络是一个复杂的系统,并不简单地只有稀疏性一个先验信息[13,28].目前,为了获得更有代表性的FBN,已经有研究提出了更好的FBN估计和神经疾病诊断.事实上,它们大部分都可以在一个正则化的框架下进行解释,这说明一个可靠的FBN 估计模型不仅要很好地拟合数据,而且要有效地编码大脑组织的先验知识[29].实践中,常用的先验信息包括稀疏性、模块性、群稀疏性、低秩和无标度性等[19,25,26,29,30].另外,还可以通过数据的质量[23]以及其他先验知识[31]构建脑网络正则项.FBN估计模型将这些先验信息转化为相应的正则项,从而提高了得到的FBN的性能和诊断的准确性. ...
... ,26,29,30].另外,还可以通过数据的质量[23]以及其他先验知识[31]构建脑网络正则项.FBN估计模型将这些先验信息转化为相应的正则项,从而提高了得到的FBN的性能和诊断的准确性. ...
Discriminative sparse inverse covariance matrix:application in brain functional network classification
1
2014
... 最近的一项综述显示,最广泛使用的 FBN 建模方式是基于二阶统计量(或相关性)来刻画不同脑区或者兴趣区(region of interest,ROI)之间的连接[24]的,这些基于相关性的脑网络建模方法通常比复杂的高阶方法更加有效.因此,本文主要关注基于相关性的方法,并简要回顾皮尔逊相关(Pearson’s correlation,PC)[25]、稀疏表示(sparse representation,SR)[26,27]以及一些相关的变体等方法.由于数据采集时存在噪声,因此构建的脑网络不可避免地会存在稠密的连接,包含大量的噪声或虚假连接.一个解决办法就是引入稀疏的先验信息,如阈值方法或LASSO的方法[25].但是,需要注意的是,脑网络是一个复杂的系统,并不简单地只有稀疏性一个先验信息[13,28].目前,为了获得更有代表性的FBN,已经有研究提出了更好的FBN估计和神经疾病诊断.事实上,它们大部分都可以在一个正则化的框架下进行解释,这说明一个可靠的FBN 估计模型不仅要很好地拟合数据,而且要有效地编码大脑组织的先验知识[29].实践中,常用的先验信息包括稀疏性、模块性、群稀疏性、低秩和无标度性等[19,25,26,29,30].另外,还可以通过数据的质量[23]以及其他先验知识[31]构建脑网络正则项.FBN估计模型将这些先验信息转化为相应的正则项,从而提高了得到的FBN的性能和诊断的准确性. ...
The human connectome:a structural description of the human brain
1
2005
... 最近的一项综述显示,最广泛使用的 FBN 建模方式是基于二阶统计量(或相关性)来刻画不同脑区或者兴趣区(region of interest,ROI)之间的连接[24]的,这些基于相关性的脑网络建模方法通常比复杂的高阶方法更加有效.因此,本文主要关注基于相关性的方法,并简要回顾皮尔逊相关(Pearson’s correlation,PC)[25]、稀疏表示(sparse representation,SR)[26,27]以及一些相关的变体等方法.由于数据采集时存在噪声,因此构建的脑网络不可避免地会存在稠密的连接,包含大量的噪声或虚假连接.一个解决办法就是引入稀疏的先验信息,如阈值方法或LASSO的方法[25].但是,需要注意的是,脑网络是一个复杂的系统,并不简单地只有稀疏性一个先验信息[13,28].目前,为了获得更有代表性的FBN,已经有研究提出了更好的FBN估计和神经疾病诊断.事实上,它们大部分都可以在一个正则化的框架下进行解释,这说明一个可靠的FBN 估计模型不仅要很好地拟合数据,而且要有效地编码大脑组织的先验知识[29].实践中,常用的先验信息包括稀疏性、模块性、群稀疏性、低秩和无标度性等[19,25,26,29,30].另外,还可以通过数据的质量[23]以及其他先验知识[31]构建脑网络正则项.FBN估计模型将这些先验信息转化为相应的正则项,从而提高了得到的FBN的性能和诊断的准确性. ...
Estimating functional brain networks by incorporating a modularity prior
2
2016
... 最近的一项综述显示,最广泛使用的 FBN 建模方式是基于二阶统计量(或相关性)来刻画不同脑区或者兴趣区(region of interest,ROI)之间的连接[24]的,这些基于相关性的脑网络建模方法通常比复杂的高阶方法更加有效.因此,本文主要关注基于相关性的方法,并简要回顾皮尔逊相关(Pearson’s correlation,PC)[25]、稀疏表示(sparse representation,SR)[26,27]以及一些相关的变体等方法.由于数据采集时存在噪声,因此构建的脑网络不可避免地会存在稠密的连接,包含大量的噪声或虚假连接.一个解决办法就是引入稀疏的先验信息,如阈值方法或LASSO的方法[25].但是,需要注意的是,脑网络是一个复杂的系统,并不简单地只有稀疏性一个先验信息[13,28].目前,为了获得更有代表性的FBN,已经有研究提出了更好的FBN估计和神经疾病诊断.事实上,它们大部分都可以在一个正则化的框架下进行解释,这说明一个可靠的FBN 估计模型不仅要很好地拟合数据,而且要有效地编码大脑组织的先验知识[29].实践中,常用的先验信息包括稀疏性、模块性、群稀疏性、低秩和无标度性等[19,25,26,29,30].另外,还可以通过数据的质量[23]以及其他先验知识[31]构建脑网络正则项.FBN估计模型将这些先验信息转化为相应的正则项,从而提高了得到的FBN的性能和诊断的准确性. ...
... ,29,30].另外,还可以通过数据的质量[23]以及其他先验知识[31]构建脑网络正则项.FBN估计模型将这些先验信息转化为相应的正则项,从而提高了得到的FBN的性能和诊断的准确性. ...
Diagnosis of autism spectrum disorders using temporally distinct resting-state functional connectivity networks
1
2016
... 最近的一项综述显示,最广泛使用的 FBN 建模方式是基于二阶统计量(或相关性)来刻画不同脑区或者兴趣区(region of interest,ROI)之间的连接[24]的,这些基于相关性的脑网络建模方法通常比复杂的高阶方法更加有效.因此,本文主要关注基于相关性的方法,并简要回顾皮尔逊相关(Pearson’s correlation,PC)[25]、稀疏表示(sparse representation,SR)[26,27]以及一些相关的变体等方法.由于数据采集时存在噪声,因此构建的脑网络不可避免地会存在稠密的连接,包含大量的噪声或虚假连接.一个解决办法就是引入稀疏的先验信息,如阈值方法或LASSO的方法[25].但是,需要注意的是,脑网络是一个复杂的系统,并不简单地只有稀疏性一个先验信息[13,28].目前,为了获得更有代表性的FBN,已经有研究提出了更好的FBN估计和神经疾病诊断.事实上,它们大部分都可以在一个正则化的框架下进行解释,这说明一个可靠的FBN 估计模型不仅要很好地拟合数据,而且要有效地编码大脑组织的先验知识[29].实践中,常用的先验信息包括稀疏性、模块性、群稀疏性、低秩和无标度性等[19,25,26,29,30].另外,还可以通过数据的质量[23]以及其他先验知识[31]构建脑网络正则项.FBN估计模型将这些先验信息转化为相应的正则项,从而提高了得到的FBN的性能和诊断的准确性. ...
Towards a better estimation of functional brain network for mild cognitive impairment identification:a transfer learning view
2
2019
... 最近的一项综述显示,最广泛使用的 FBN 建模方式是基于二阶统计量(或相关性)来刻画不同脑区或者兴趣区(region of interest,ROI)之间的连接[24]的,这些基于相关性的脑网络建模方法通常比复杂的高阶方法更加有效.因此,本文主要关注基于相关性的方法,并简要回顾皮尔逊相关(Pearson’s correlation,PC)[25]、稀疏表示(sparse representation,SR)[26,27]以及一些相关的变体等方法.由于数据采集时存在噪声,因此构建的脑网络不可避免地会存在稠密的连接,包含大量的噪声或虚假连接.一个解决办法就是引入稀疏的先验信息,如阈值方法或LASSO的方法[25].但是,需要注意的是,脑网络是一个复杂的系统,并不简单地只有稀疏性一个先验信息[13,28].目前,为了获得更有代表性的FBN,已经有研究提出了更好的FBN估计和神经疾病诊断.事实上,它们大部分都可以在一个正则化的框架下进行解释,这说明一个可靠的FBN 估计模型不仅要很好地拟合数据,而且要有效地编码大脑组织的先验知识[29].实践中,常用的先验信息包括稀疏性、模块性、群稀疏性、低秩和无标度性等[19,25,26,29,30].另外,还可以通过数据的质量[23]以及其他先验知识[31]构建脑网络正则项.FBN估计模型将这些先验信息转化为相应的正则项,从而提高了得到的FBN的性能和诊断的准确性. ...
... 事实上,在人类不断进化的过程中,大脑的结构和功能通常会趋向于具有一个相似的结构,从而保证对信息的处理最优,即组内的样本具有一定的相似信息[31].然而,目前主流的脑网络建模方式通常都是针对单个脑网络进行估计,因此会损失一定的组相似信息.实际上,这种组内的相似性约束能够更有效地指导大脑功能网络进行更精确的估计.因此,本文试图通过引入组内的相似性约束,利用正则化技术将组约束信息嵌入现有的脑网络模型中,从而利用组约束信息构建更加精确、稳定的脑网络. ...
Denoising of hyperspectral images using the PARAFAC model and statistical performance analysis
1
2012
... 目前主流的脑网络建模框架都是基于矩阵的正则化约束框架,然而,这种基于矩阵的方式很难嵌入脑网络在组间的相似性.因此,为了更好地刻画组内信息,本文将现有的矩阵正则化模型扩展到张量正则化模型.另外,考虑到实际上相似性约束转化为数学形式可以表示为互表达的方式,而这种互表达可以进一步通过低秩性先验信息来逼近,因此,本文通过张量的低秩正则化约束引入脑网络的组相似性约束.然而,低秩性约束的求解是一个非凸且NP难问题,因此,可以利用张量低秩正则项的上限张量的核范数将其转化为一个凸问题进行求解.另外,还可以利用 PARAFAC(平行因子)分解通过求解张量的特征值之和来求解核范数[32],从而通过对核范数进行惩罚得到一个有效的具有低秩特性的张量解,通过这种方式即可构建一个具有组内相似性约束的功能脑网络.相比于传统的脑网络建模方法构建的脑网络,本文方法所构建的脑网络嵌入了更多的有效信息,因此能够得到更加稳定的脑网络,从而提供更稳定的生物标记. ...
The human connectome:a structural description of the human brain
1
2005
... 人脑系统作为目前自然界中最复杂的系统之一,研究人员利用组学数据对其进行了刻画和分析,事实上,这种组学数据本身就体现了人脑连接的特点.人脑中有大量的神经元细胞,这些神经元细胞通过海量的突触互相连接,形成了一个高度有效的信息传递和处理网络.大量研究表明,大脑对信息和认知进行处理的基础就是脑网络中的拓扑连接.近年来,随着对大脑连接体系理解的进一步加深,为有效地加强学术界对脑网络连接的理解和重视,人脑连接组(human connectome)这一概念在2005年被Olaf Sporns首次提出[33].目前,脑网络连接可以从微观(神经元)、中观(神经集群)以及宏观(大脑脑区)3 个不同的尺度来刻画不同水平下的大脑连接拓扑,从而有效挖掘大脑的连接模式.由于目前数据采集设备的分辨率不足,现有的针对脑网络组学的研究通常是基于一个宏观尺度(即脑区或体素水平)的脑网络研究,通过脑电、脑磁、fMRI、弥散张量成像(diffusion tensor imaging,DTI)等技术,建立脑区之间的联系或者体素之间的连接.这里对基于 fMRI 数据的宏观尺度的脑网络建模方法进行简单介绍. ...
Functional connectomics from resting-state fMRI
2
2013
... 宏观尺度的脑网络首先需要获取宏观尺度的BOLD(blood oxygenation level dependent)信号,一般采用ROI或者脑区的平均信号.目前,一项脑网络的综述研究[34]指出,基于二阶统计量的全相关的脑网络建模方式[25]比其他复杂的脑网络方式更加稳定.此外,其他一些复杂的脑网络建模方式(从简单到最复杂)有偏相关模型[35]、贝叶斯网络模型、结构方程模型[36]、动态因果模型[37].事实上,大部分的脑网络建模模型都可以抽象为对于生理特征以及数据统计关系之间的建模,而这些模型都是在统计性能、生理特征表示以及计算鲁棒性之间的一种平衡和折中.比如基于全相关的 PC 脑网络建模模型,能够有效刻画脑区之间的相关关系,计算性能高效.然而,这种方式无法有效地在模型中嵌入脑网络中的生理先验信息,因此扩展性不足.动态因果模型虽然能够对大脑信息传递的生理信息进行刻画,然而其计算复杂度非常高,很难对大规模的网络进行计算,因此只能针对少量节点的网络进行建模.这些方法通常只针对有特点的先验信息或者统计信息进行建模,很难进行扩展,因此需要一种更易扩展的框架对脑网络进行建模.由于正则化框架在机器学习中可以很好地通过引入数据拟合项以及正则项对先验信息及物理假设进行建模,因此正则化技术也开始应用于脑网络建模中,对脑网络进行构建和约束,从而引入统计假设以及生物先验信息.文献[38]发现,这种正则化框架构建脑网络的方式为构建的脑网络嵌入先验信息提供了一种非常高效的平台,从而使得所构建的脑网络具有更好的生物可解释性,并且该框架下大量的优化工具包能实现非常高效的求解.由于本文更多的是对组内约束的验证,且考虑到二阶统计量的脑网络的稳定性,因此本文采用基于二阶统计量的最常用的相关性(PC 以及偏序相关)的脑网络建模方法作为基准方法,下面分别进行简要介绍. ...
... 首先获取配准好的 fMRI 数据矩阵 ,其中代表利用每个被试 fMRI 数据所提取的脑区BOLD信号.的每一列代表对应脑区的相应的BOLD信号序列.基于PC的脑网络模型是最常用的构建脑网络方式[34],表示如下. ...
Sparse inverse covariance estimation with the graphical lasso
1
2008
... 宏观尺度的脑网络首先需要获取宏观尺度的BOLD(blood oxygenation level dependent)信号,一般采用ROI或者脑区的平均信号.目前,一项脑网络的综述研究[34]指出,基于二阶统计量的全相关的脑网络建模方式[25]比其他复杂的脑网络方式更加稳定.此外,其他一些复杂的脑网络建模方式(从简单到最复杂)有偏相关模型[35]、贝叶斯网络模型、结构方程模型[36]、动态因果模型[37].事实上,大部分的脑网络建模模型都可以抽象为对于生理特征以及数据统计关系之间的建模,而这些模型都是在统计性能、生理特征表示以及计算鲁棒性之间的一种平衡和折中.比如基于全相关的 PC 脑网络建模模型,能够有效刻画脑区之间的相关关系,计算性能高效.然而,这种方式无法有效地在模型中嵌入脑网络中的生理先验信息,因此扩展性不足.动态因果模型虽然能够对大脑信息传递的生理信息进行刻画,然而其计算复杂度非常高,很难对大规模的网络进行计算,因此只能针对少量节点的网络进行建模.这些方法通常只针对有特点的先验信息或者统计信息进行建模,很难进行扩展,因此需要一种更易扩展的框架对脑网络进行建模.由于正则化框架在机器学习中可以很好地通过引入数据拟合项以及正则项对先验信息及物理假设进行建模,因此正则化技术也开始应用于脑网络建模中,对脑网络进行构建和约束,从而引入统计假设以及生物先验信息.文献[38]发现,这种正则化框架构建脑网络的方式为构建的脑网络嵌入先验信息提供了一种非常高效的平台,从而使得所构建的脑网络具有更好的生物可解释性,并且该框架下大量的优化工具包能实现非常高效的求解.由于本文更多的是对组内约束的验证,且考虑到二阶统计量的脑网络的稳定性,因此本文采用基于二阶统计量的最常用的相关性(PC 以及偏序相关)的脑网络建模方法作为基准方法,下面分别进行简要介绍. ...
The structural-functional connectome and the default mode network of the human brain
1
2014
... 宏观尺度的脑网络首先需要获取宏观尺度的BOLD(blood oxygenation level dependent)信号,一般采用ROI或者脑区的平均信号.目前,一项脑网络的综述研究[34]指出,基于二阶统计量的全相关的脑网络建模方式[25]比其他复杂的脑网络方式更加稳定.此外,其他一些复杂的脑网络建模方式(从简单到最复杂)有偏相关模型[35]、贝叶斯网络模型、结构方程模型[36]、动态因果模型[37].事实上,大部分的脑网络建模模型都可以抽象为对于生理特征以及数据统计关系之间的建模,而这些模型都是在统计性能、生理特征表示以及计算鲁棒性之间的一种平衡和折中.比如基于全相关的 PC 脑网络建模模型,能够有效刻画脑区之间的相关关系,计算性能高效.然而,这种方式无法有效地在模型中嵌入脑网络中的生理先验信息,因此扩展性不足.动态因果模型虽然能够对大脑信息传递的生理信息进行刻画,然而其计算复杂度非常高,很难对大规模的网络进行计算,因此只能针对少量节点的网络进行建模.这些方法通常只针对有特点的先验信息或者统计信息进行建模,很难进行扩展,因此需要一种更易扩展的框架对脑网络进行建模.由于正则化框架在机器学习中可以很好地通过引入数据拟合项以及正则项对先验信息及物理假设进行建模,因此正则化技术也开始应用于脑网络建模中,对脑网络进行构建和约束,从而引入统计假设以及生物先验信息.文献[38]发现,这种正则化框架构建脑网络的方式为构建的脑网络嵌入先验信息提供了一种非常高效的平台,从而使得所构建的脑网络具有更好的生物可解释性,并且该框架下大量的优化工具包能实现非常高效的求解.由于本文更多的是对组内约束的验证,且考虑到二阶统计量的脑网络的稳定性,因此本文采用基于二阶统计量的最常用的相关性(PC 以及偏序相关)的脑网络建模方法作为基准方法,下面分别进行简要介绍. ...
A DCM for resting state fMRI
1
2013
... 宏观尺度的脑网络首先需要获取宏观尺度的BOLD(blood oxygenation level dependent)信号,一般采用ROI或者脑区的平均信号.目前,一项脑网络的综述研究[34]指出,基于二阶统计量的全相关的脑网络建模方式[25]比其他复杂的脑网络方式更加稳定.此外,其他一些复杂的脑网络建模方式(从简单到最复杂)有偏相关模型[35]、贝叶斯网络模型、结构方程模型[36]、动态因果模型[37].事实上,大部分的脑网络建模模型都可以抽象为对于生理特征以及数据统计关系之间的建模,而这些模型都是在统计性能、生理特征表示以及计算鲁棒性之间的一种平衡和折中.比如基于全相关的 PC 脑网络建模模型,能够有效刻画脑区之间的相关关系,计算性能高效.然而,这种方式无法有效地在模型中嵌入脑网络中的生理先验信息,因此扩展性不足.动态因果模型虽然能够对大脑信息传递的生理信息进行刻画,然而其计算复杂度非常高,很难对大规模的网络进行计算,因此只能针对少量节点的网络进行建模.这些方法通常只针对有特点的先验信息或者统计信息进行建模,很难进行扩展,因此需要一种更易扩展的框架对脑网络进行建模.由于正则化框架在机器学习中可以很好地通过引入数据拟合项以及正则项对先验信息及物理假设进行建模,因此正则化技术也开始应用于脑网络建模中,对脑网络进行构建和约束,从而引入统计假设以及生物先验信息.文献[38]发现,这种正则化框架构建脑网络的方式为构建的脑网络嵌入先验信息提供了一种非常高效的平台,从而使得所构建的脑网络具有更好的生物可解释性,并且该框架下大量的优化工具包能实现非常高效的求解.由于本文更多的是对组内约束的验证,且考虑到二阶统计量的脑网络的稳定性,因此本文采用基于二阶统计量的最常用的相关性(PC 以及偏序相关)的脑网络建模方法作为基准方法,下面分别进行简要介绍. ...
Estimating functional brain networks by incorporating a modularity prior
1
2016
... 宏观尺度的脑网络首先需要获取宏观尺度的BOLD(blood oxygenation level dependent)信号,一般采用ROI或者脑区的平均信号.目前,一项脑网络的综述研究[34]指出,基于二阶统计量的全相关的脑网络建模方式[25]比其他复杂的脑网络方式更加稳定.此外,其他一些复杂的脑网络建模方式(从简单到最复杂)有偏相关模型[35]、贝叶斯网络模型、结构方程模型[36]、动态因果模型[37].事实上,大部分的脑网络建模模型都可以抽象为对于生理特征以及数据统计关系之间的建模,而这些模型都是在统计性能、生理特征表示以及计算鲁棒性之间的一种平衡和折中.比如基于全相关的 PC 脑网络建模模型,能够有效刻画脑区之间的相关关系,计算性能高效.然而,这种方式无法有效地在模型中嵌入脑网络中的生理先验信息,因此扩展性不足.动态因果模型虽然能够对大脑信息传递的生理信息进行刻画,然而其计算复杂度非常高,很难对大规模的网络进行计算,因此只能针对少量节点的网络进行建模.这些方法通常只针对有特点的先验信息或者统计信息进行建模,很难进行扩展,因此需要一种更易扩展的框架对脑网络进行建模.由于正则化框架在机器学习中可以很好地通过引入数据拟合项以及正则项对先验信息及物理假设进行建模,因此正则化技术也开始应用于脑网络建模中,对脑网络进行构建和约束,从而引入统计假设以及生物先验信息.文献[38]发现,这种正则化框架构建脑网络的方式为构建的脑网络嵌入先验信息提供了一种非常高效的平台,从而使得所构建的脑网络具有更好的生物可解释性,并且该框架下大量的优化工具包能实现非常高效的求解.由于本文更多的是对组内约束的验证,且考虑到二阶统计量的脑网络的稳定性,因此本文采用基于二阶统计量的最常用的相关性(PC 以及偏序相关)的脑网络建模方法作为基准方法,下面分别进行简要介绍. ...
Multivariate analysis
1
1979
... 基于 PC 的方法是对全相关进行刻画的,因此其很难解决不同节点互相影响的混淆问题,而基于偏序相关的方法可以通过逼近全相关(即PC)的逆的形式来解决这个问题[39].然而,由于这种方式需要对相关矩阵的逆进行求解,往往会得到一个奇异解,因而常用的解决方式是利用稀疏表示(SR)来解决偏序相关求解退化的问题.目前基于 SR 的偏序相关脑网络的研究也非常广泛[40].SR的模型表示如下. ...
Sparse brain network recovery under compressed sensing
1
2011
... 基于 PC 的方法是对全相关进行刻画的,因此其很难解决不同节点互相影响的混淆问题,而基于偏序相关的方法可以通过逼近全相关(即PC)的逆的形式来解决这个问题[39].然而,由于这种方式需要对相关矩阵的逆进行求解,往往会得到一个奇异解,因而常用的解决方式是利用稀疏表示(SR)来解决偏序相关求解退化的问题.目前基于 SR 的偏序相关脑网络的研究也非常广泛[40].SR的模型表示如下. ...
Optimally sparse representation in general (nonorthogonal) dictionaries via ?
1
2003
... 考虑到模型本身是一个凸的不可微的优化问题,借鉴传统正则化框架下对脑网络模型的求解.本文对目标函数的拟合项和正则项分别进行求解.具体地,本文所提出的PC+LR以及SR+LR模型较PC和SR模型来说增加了一个张量核范数正则项约束.与l1-范数正则项相同,张量核范数为一个不可导的凸函数,目前针对该类不可导凸函数问题的求解已有大量的研究工作[41,42,43].考虑到近端算子方法的快速求解能力,本文采用近端算子方法对目标函数进行优化求解,具体如下. ...
High-dimensional graphs and variable selection with the Lasso
1
2006
... 考虑到模型本身是一个凸的不可微的优化问题,借鉴传统正则化框架下对脑网络模型的求解.本文对目标函数的拟合项和正则项分别进行求解.具体地,本文所提出的PC+LR以及SR+LR模型较PC和SR模型来说增加了一个张量核范数正则项约束.与l1-范数正则项相同,张量核范数为一个不可导的凸函数,目前针对该类不可导凸函数问题的求解已有大量的研究工作[41,42,43].考虑到近端算子方法的快速求解能力,本文采用近端算子方法对目标函数进行优化求解,具体如下. ...
Dual augmented Lagrangian method for efficient sparse reconstruction
1
2009
... 考虑到模型本身是一个凸的不可微的优化问题,借鉴传统正则化框架下对脑网络模型的求解.本文对目标函数的拟合项和正则项分别进行求解.具体地,本文所提出的PC+LR以及SR+LR模型较PC和SR模型来说增加了一个张量核范数正则项约束.与l1-范数正则项相同,张量核范数为一个不可导的凸函数,目前针对该类不可导凸函数问题的求解已有大量的研究工作[41,42,43].考虑到近端算子方法的快速求解能力,本文采用近端算子方法对目标函数进行优化求解,具体如下. ...
The Alzheimer's disease neuroimaging initiative (ADNI):MRI methods
1
2010
... 为了验证方法的有效性,本文利用公开的阿尔茨海默症神经影像 ADNI 数据集进行验证和分析[44].ADNI数据集于2003年由美国国家老龄化研究所、美国国家生物医学成像与生物工程研究所、美国食品药品监督管理局,以及一些私营制药公司和非盈利性组织发起成立.ADNI 最初的目标是定义用于临床试验的生物标志物,并确定测量AD疗法治疗效果的最佳方法. ...
Simultaneous estimation of lowand high-order functional connectivity for identifying mild cognitive impairment
1
2018
... 本次实验采取了与之前研究相同的数据[47,48]计算了 fMRI 每个时间点的帧位移(FD),并在后续的分析中排除了超过2.5 min(50帧)数据的FD>0.5的被试[49].最后利用AAL(anatomical automatic labeling)图谱[50],将预处理的数据划分到116 ROIs,并最终得到了数据矩阵.可参考文献[45]了解更多的预处理细节. ...
DPARSF:a MATLAB toolbox for “pipeline”data analysis of resting-state fMRI
2010
High-order resting-state functional connectivity network for MCI classification
1
2016
... 本次实验采取了与之前研究相同的数据[47,48]计算了 fMRI 每个时间点的帧位移(FD),并在后续的分析中排除了超过2.5 min(50帧)数据的FD>0.5的被试[49].最后利用AAL(anatomical automatic labeling)图谱[50],将预处理的数据划分到116 ROIs,并最终得到了数据矩阵.可参考文献[45]了解更多的预处理细节. ...
Extraction of dynamic functional connectivity from brain grey matter and white matter for MCI classification
1
2017
... 本次实验采取了与之前研究相同的数据[47,48]计算了 fMRI 每个时间点的帧位移(FD),并在后续的分析中排除了超过2.5 min(50帧)数据的FD>0.5的被试[49].最后利用AAL(anatomical automatic labeling)图谱[50],将预处理的数据划分到116 ROIs,并最终得到了数据矩阵.可参考文献[45]了解更多的预处理细节. ...
Spurious but systematic correlations in functional connectivity MRI networks arise from subject motion
1
2012
... 本次实验采取了与之前研究相同的数据[47,48]计算了 fMRI 每个时间点的帧位移(FD),并在后续的分析中排除了超过2.5 min(50帧)数据的FD>0.5的被试[49].最后利用AAL(anatomical automatic labeling)图谱[50],将预处理的数据划分到116 ROIs,并最终得到了数据矩阵.可参考文献[45]了解更多的预处理细节. ...
Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain
1
2002
... 本次实验采取了与之前研究相同的数据[47,48]计算了 fMRI 每个时间点的帧位移(FD),并在后续的分析中排除了超过2.5 min(50帧)数据的FD>0.5的被试[49].最后利用AAL(anatomical automatic labeling)图谱[50],将预处理的数据划分到116 ROIs,并最终得到了数据矩阵.可参考文献[45]了解更多的预处理细节. ...
人工智能新时代
1
2019
... 人脑是一个极其复杂烦琐的系统,事实上,目前人类对大脑的认知和了解仍然是微不足道的,因此,如何更好地刻画大脑仍然是一个具有挑战性和有意义的课题.在人类的进化过程中,大脑的拓扑结构和联系会趋于一种相似性的结构,而这种相似性事实上就可以视为一种自监督信息,可以更好地引导脑网络的构建和分析.另外,对脑网络的研究一方面为疾病诊断提供了信息的生物标记,另一方面能为新一代人工智能提供有效的指导和借鉴[51,52].因此,对脑网络的研究具有重要的意义.本文利用张量正则化,将核范数正则项嵌入脑网络构建模型中,可以构建一个具有组内相似性约束的脑网络.在优化过程中,利用PARAFAC分解得到了张量的特征值,计算张量的核范数.最后,将构建的脑网络用于对MCI的分类,实验发现,组约束的引入能够有效地提升原始模型的判别性.另外,本文想要说明的是,组约束信息不仅仅包括相似性约束,相似性约束也不仅仅可以通过核范数来近似.本文仅是一个分析组约束的有效性的验证性试验,因此,本文所提出的模型仍然存在一定的改进空间,比如对于模型图谱的选择、样本量的扩充,以及正则化参数的优化.对于低秩的逼近以及如何更好地刻画脑网络组内的约束信息仍需进一步的研究. ...
人工智能新时代
1
2019
... 人脑是一个极其复杂烦琐的系统,事实上,目前人类对大脑的认知和了解仍然是微不足道的,因此,如何更好地刻画大脑仍然是一个具有挑战性和有意义的课题.在人类的进化过程中,大脑的拓扑结构和联系会趋于一种相似性的结构,而这种相似性事实上就可以视为一种自监督信息,可以更好地引导脑网络的构建和分析.另外,对脑网络的研究一方面为疾病诊断提供了信息的生物标记,另一方面能为新一代人工智能提供有效的指导和借鉴[51,52].因此,对脑网络的研究具有重要的意义.本文利用张量正则化,将核范数正则项嵌入脑网络构建模型中,可以构建一个具有组内相似性约束的脑网络.在优化过程中,利用PARAFAC分解得到了张量的特征值,计算张量的核范数.最后,将构建的脑网络用于对MCI的分类,实验发现,组约束的引入能够有效地提升原始模型的判别性.另外,本文想要说明的是,组约束信息不仅仅包括相似性约束,相似性约束也不仅仅可以通过核范数来近似.本文仅是一个分析组约束的有效性的验证性试验,因此,本文所提出的模型仍然存在一定的改进空间,比如对于模型图谱的选择、样本量的扩充,以及正则化参数的优化.对于低秩的逼近以及如何更好地刻画脑网络组内的约束信息仍需进一步的研究. ...
人工智能进入后深度学习时代
1
2019
... 人脑是一个极其复杂烦琐的系统,事实上,目前人类对大脑的认知和了解仍然是微不足道的,因此,如何更好地刻画大脑仍然是一个具有挑战性和有意义的课题.在人类的进化过程中,大脑的拓扑结构和联系会趋于一种相似性的结构,而这种相似性事实上就可以视为一种自监督信息,可以更好地引导脑网络的构建和分析.另外,对脑网络的研究一方面为疾病诊断提供了信息的生物标记,另一方面能为新一代人工智能提供有效的指导和借鉴[51,52].因此,对脑网络的研究具有重要的意义.本文利用张量正则化,将核范数正则项嵌入脑网络构建模型中,可以构建一个具有组内相似性约束的脑网络.在优化过程中,利用PARAFAC分解得到了张量的特征值,计算张量的核范数.最后,将构建的脑网络用于对MCI的分类,实验发现,组约束的引入能够有效地提升原始模型的判别性.另外,本文想要说明的是,组约束信息不仅仅包括相似性约束,相似性约束也不仅仅可以通过核范数来近似.本文仅是一个分析组约束的有效性的验证性试验,因此,本文所提出的模型仍然存在一定的改进空间,比如对于模型图谱的选择、样本量的扩充,以及正则化参数的优化.对于低秩的逼近以及如何更好地刻画脑网络组内的约束信息仍需进一步的研究. ...
人工智能进入后深度学习时代
1
2019
... 人脑是一个极其复杂烦琐的系统,事实上,目前人类对大脑的认知和了解仍然是微不足道的,因此,如何更好地刻画大脑仍然是一个具有挑战性和有意义的课题.在人类的进化过程中,大脑的拓扑结构和联系会趋于一种相似性的结构,而这种相似性事实上就可以视为一种自监督信息,可以更好地引导脑网络的构建和分析.另外,对脑网络的研究一方面为疾病诊断提供了信息的生物标记,另一方面能为新一代人工智能提供有效的指导和借鉴[51,52].因此,对脑网络的研究具有重要的意义.本文利用张量正则化,将核范数正则项嵌入脑网络构建模型中,可以构建一个具有组内相似性约束的脑网络.在优化过程中,利用PARAFAC分解得到了张量的特征值,计算张量的核范数.最后,将构建的脑网络用于对MCI的分类,实验发现,组约束的引入能够有效地提升原始模型的判别性.另外,本文想要说明的是,组约束信息不仅仅包括相似性约束,相似性约束也不仅仅可以通过核范数来近似.本文仅是一个分析组约束的有效性的验证性试验,因此,本文所提出的模型仍然存在一定的改进空间,比如对于模型图谱的选择、样本量的扩充,以及正则化参数的优化.对于低秩的逼近以及如何更好地刻画脑网络组内的约束信息仍需进一步的研究. ...