BrainMAP：学习脑网络中的多个激活通路
人工智能
2025-02-04 v2
摘要
功能磁性共振图像（fMRI）常用于研究人类脑活动，因为它能够洞察功能波动与人类行为之间的关系。为增强脑活动分析与理解，图神经网络（GNN）已被广泛应用于从fMRI数据中推导出的功能连接（FC）分析，由于其能够捕获脑区之间的协同互动。然而，在人类脑中，执行复杂任务通常涉及激活某些通路，这些通路可表示为跨越图的路径。因此，传统GNN难以从这些通路中学习，由于多个通路的长程依赖。为解决这些挑战，我们引入了一个新框架BrainMAP来学习脑网络中的多个激活通路。BrainMAP利用顺序模型识别脑区之间的长程相关性，并基于混合专家（MoE）的聚合模块来学习多个通路。我们的全面实验突显了BrainMAP的优越性能。此外，我们的框架 enables 对参与任务的关键脑区进行解释性分析。我们的代码已提供于https://github.com/LzyFischer/Graph-Mamba。
引用
@article{arxiv.2412.17404,
title = {BrainMAP: Learning Multiple Activation Pathways in Brain Networks},
author = {Song Wang and Zhenyu Lei and Zhen Tan and Jiaqi Ding and Xinyu Zhao and Yushun Dong and Guorong Wu and Tianlong Chen and Chen Chen and Aiying Zhang and Jundong Li},
journal= {arXiv preprint arXiv:2412.17404},
year = {2025}
}
备注
AAAI 2025