神经成像中潜在表示模型综述

神经成像数据，特别是来自 MRI 或 PET 等技术，提供了关于脑结构和活动的丰富但复杂信息。为管理这一复杂性，潜在表示模型——如自编码器、生成对抗网络 (GAN) 和潜在扩散模型 (LDM)——日益被应用于。这些模型旨在将高维神经成像数据降低到低维潜在空间，在此空间中可识别与脑功能相关的关键模式和变化。通过建模这些潜在空间，研究人员希望洞察脑的生物学和功能，包括其结构如何随年龄或疾病而变化，或如何编码感觉信息、预测和适应新输入。本综述讨论了这些模型在临床应用中的使用，如疾病诊断和疾病进程监测，也讨论了用于探索基础脑机制，如主动推断和预测编码的这些方法。这些方法为理解和模拟大脑复杂计算任务提供了强大工具， potentially 推动我们对认知、感知和神经障碍的知识。