基于深度神经网络的任务态脑功能网络检测与分析方法研究

There are still several challenges in functional brain network identification and analysis for tfMRI. Firstly, traditional methods ignore the sequence property of tfMRI signals; secondly, there is short of effective descriptor of functional brain network spatial maps and specific clustering algorithm. In order to alleviate these challenges and based on the applicant’s previous works (related works have been published in TMI、Neuroinformatics、TBME、Brain Imaging and Behavior、MICCAI、 ACMMM、ICME, etc.), this project will focus on the following key technologies in brain network identification and analysis: 1) Identification of functional brain networks of tfMRI data via deep recurrent neural networks; 2) Deeply mining and self-learning of intrinsic features of functional brain networks; 3) Multi-view K-Means clustering method for tfMRI brain networks. This research project is expected to significantly promote the understanding of brain functional reaction mechanism under external stimulus condition and the brain network components under tfMRI and improve the analysis in tfMRI, having important scientific significance and broad application prospect.

基于任务态功能磁共振成像(tfMRI)的脑功能网络检测与分析中仍存在以下难点问题亟待解决：1) 传统检测模型没有考虑tfMRI信号自身的序列特性；2) 脑功能网络模板构建中缺乏高效的空间描述特征和针对性的聚类算法。针对上述问题并结合申请人前期研究工作(发表在TMI、Neuroinformatics、Brain Imaging and Behavior、TBME、MICCAI、ACMMM、ICME等)，本项目将重点研究基于深度循环神经网络的任务态脑功能网络检测模型、脑功能网络图像内在本质特征自学习模型、基于多视图K-Means软聚类的任务态脑功能网络图像聚类模型等关键技术。本项目的研究成果有助于增进对脑功能反应机理和脑功能网络构成等重要脑科学问题的理解，具有重大科学意义和广泛地应用前景。

针对已有任务态功能磁共振成像(tfMRI)的脑功能网络检测与分析方法的局限性，本项目提出利用深度神经网络从数据中挖掘脑功能网络的内在本质特征，以此为基础构建tfMRI脑功能网络检测与分析方法的新思路。取得的代表性工作包括：1）提出了基于循环神经网络的任务态脑功能网络检测新方法；2）提出了基于深度神经网络的脑功能网络成分分析新方法；3）提出了多视角软聚类特征融合新方法。.本项目研究产生了一批高水平研究成果，发表高水平学术论文14篇，其中领域顶级国际期刊Cerebral Cortex 1 篇， Medical Image Analysis 2 篇， IEEE TMI 1 篇， IEEE JBHI 2 篇， 其他IEEE 论文 4 篇，领域顶级国际会议论文包括MICCAI 等3 篇。申请国家发明专利6项；培养博士生4名、硕士生4名。