跳到主要内容
检索

Peng Cao

3 篇关联报道

订阅更新
  1. arXiv

    BrainSTR 用时空对比学习建模动态脑网络,在 ASD、BD、MDD 上验证并给出与既往神经影像发现一致的关键相位与子网络

    该工作提出 BrainSTR 时空对比学习框架,通过数据驱动的自适应相位划分学习状态一致的相位边界、用注意力识别诊断关键相位、并用经二值化、时间平滑与稀疏正则化的增量图结构生成器提取各相位内疾病相关连接,再以时空监督对比学习利用诊断相关的时空模式细化样本相似度度量,从而构建结构良好的语义空间;在 ASD、BD、MDD 上的实验验证了其有效性,所发现的关键相位与子网络提供了与既往神经影像发现一致的可解释证据。

  2. arXiv

    BrainHO 用可学习子图取代固定脑图谱,在 ABIDE 上以仅 PCC 输入取得 69.68% 准确率并定位跨网络疾病子网

    该工作提出脑层级组织学习框架 BrainHO,用可学习的子图 token 与图 token 通过层级注意力按节点特征亲和度自底向上聚合脑区,并配合子图正交约束与层级一致性约束,在 ABIDE(N=1009,516 例 ASD/493 例健康对照)与 REST-meta-MDD(N=2380,1276 例 MDD/1104 例健康对照)上仅使用静态 PCC 连接矩阵即取得最高准确率(69.68% 与 64.71%)与最高敏感度(73.11% 与 67.43%),同时可视化出与 SMN、DAN 等预定义网络部分重合、又跨越多个预定义网络的疾病相关子网。

  3. arXiv

    KD-Brain 用语义先验与临床一致性约束引导子网络交互建模,在 ASD、BD、MDD 诊断上超过 12 个基线并给出可解释功能通路

    该工作提出 KD-Brain,一个先验知识引导的图学习框架,通过将疾病特异的语义先验注入注意力 Query(Semantic-Conditioned Interaction)并用基于 KL 散度的 Pathology-Consistent Constraint 对齐学习到的子网络交互分布与临床先验,在 ABIDE(NYU)ASD 任务和单中心 BD、MDD 任务上取得优于 12 个基线的表现,并输出与精神病病理生理学一致的功能通路与关键脑区。

已读完全部报道