面脑图谱学习在神经影像分析中的应用：视角、方法与挑战
机器学习
2026-01-08 v2 人工智能
图像与视频处理
神经元与认知
摘要
神经影像提供了表征大脑活动的 essential tools，通过量化远程区域之间的连接强度，运用不同模态的数据捕获不同方面的连接。然而，解码有意义的神经信号必须面对包括测量噪声、空间与时间失真、异构获取协议以及有限样本量在内的模态特定挑战。当这些数据通过对称正定 (SPD) 值表示时，这些挑战便呈现出统一的视角：跨越神经影像的不同模态，SPD 值表示自然地导致捕获传感器或脑区之间依赖关系的 SPD 矩阵。将 SPD 空间赋予黎曼度量后，即可为其上的非欧几里得几何结构提供原则性的统计建模和机器学习方法。本综述在统一框架下整合了在 SPD 流形上运行的机器学习方法，称为 SPD 矩阵学习。SPD 矩阵学习在多个模态之间带来了概念清晰度，建立了与神经影像中几何统计数十年研究的连续性，并将 SPD 建模定位为经典分析方法与新兴人工智能驱动范式之间的方法论桥梁。我们指出：(i) 在 SPD 流形上的建模在数学上自然且数值上稳定，保持对称性和正定性，同时避免欧几里得嵌入中固有的退化问题；(ii) SPD 矩阵学习扩展了跨越神经影像的广泛几何统计工具家族；(iii) SPD 矩阵学习整合了新一代人工智能技术，推动了此前难以攻克的神经影像问题的出现。综上所述，SPD 矩阵学习为下一代神经影像分析提供了一个原则且前瞻的框架。
引用
@article{arxiv.2504.18882,
title = {SPD Matrix Learning for Neuroimaging Analysis: Perspectives, Methods, and Challenges},
author = {Ce Ju and Reinmar Kobler and Antoine Collas and Motoaki Kawanabe and Cuntai Guan and Bertrand Thirion},
journal= {arXiv preprint arXiv:2504.18882},
year = {2026}
}
备注
20 pages, 2 figures, 1 table; This paper has been submitted for possible publication, and is currently under review