机构名称：
¥ 1.0
前所未有的大规模脑成像数据收集，如 MRI、PET、fMRI、M/EEG、DTI 等，为加深我们对大脑工作机制的理解、提高精神障碍的预后预测能力以及制定个性化的脑部疾病治疗方案提供了独特的机会。机器学习和大规模脑成像数据收集、存储和共享方面的最新进展导致了计算神经科学、信号处理、深度学习、脑成像、认知科学和计算精神病学领域的一系列新颖的跨学科方法，其中图学习为解决脑成像中的重要问题提供了一种有价值的手段。图学习是指设计有效的机器学习和深度学习方法来从图中提取重要信息或利用数据中的图结构来指导知识发现。鉴于不同成像模式的复杂数据结构以及人脑的网络化组织结构，基于从图像数据推断的图形、数据的图形正则化和记录数据的图形嵌入的新型学习方法在模拟多个大脑区域的相互作用、来自不同大脑成像模式的网络之间的信息融合、高维大脑网络的潜在空间建模以及量化拓扑神经生物标志物方面显示出巨大的前景。本研究主题结合了新的计算大脑成像模型和通过大脑网络和图形学习的视角对大脑机制的洞察方面的最新发现。在评估了贡献的新颖性和质量后，我们接受了审稿人推荐的 10 篇手稿。为了更详细地介绍这些作品，
社论：脑成像的图形学习
主要关键词
相关文件推荐
