当前位置：首页 > news >正文

基于相似性引导的多视角功能性脑网络融合|文献速递-最新论文分享

news 2025/7/12 8:25:29

Title

题目

Similarity-guided multi-view functional brain network fusion

基于相似性引导的多视角功能性脑网络融合

文献速递介绍

大脑是一个具有层级结构的复杂系统，其活动通过多个功能区域的相互作用与协同来实现（Belliveau 等，1991；Cao 等，2014；Boccaletti 等，2006；Bullmore 和 Sporns，2009；Presigny 和 Fallani，2022）。与其他复杂系统类似，大脑内部的异常连接可能会导致异常行为和临床症状（Greicius，2008；Whitfield-Gabrieli 和 Ford，2012；Tomasi 和 Volkow，2010；Lo 等，2003；Bryant 等，2010）。功能性脑网络（FBNs）为研究大脑不同层级的组织复杂性和信息连接性提供了基础。然而，由于脑网络的复杂性，如何有效且全面地对大脑进行表征仍是一项紧迫的挑战（Cao 等，2014；Fornito 等，2015；Jack Jr. 等，2013）。由于神经影像数据固有的噪声和高维特性，构建能准确反映大脑功能连接的功能性脑网络（FBNs）仍然是一项艰巨的任务（Liu 等，2023；Li 等，2021，2020；Shao 等，2023；Li 等，2022；Yao 等，2019）。一种常用的方法是皮尔逊相关系数（PC）（Xiao 等，2019），它为测量脑区之间的成对相关性提供了一种简单而有效的方法。然而，这种方法对噪声高度敏感，且容易受到其他区域的干扰，难以区分感兴趣区域（ROIs）之间的真实相互作用。为解决这一问题，偏相关系数被引入，以排除来自其他脑区的干扰，更清晰地呈现特定区域之间的相互作用（Fransson 和 Marrelec，2008；Salvador 等，2005；Yuan 和 Lin，2006；Friedman 等，2008；Huang 等，2010；Liu 等，2024b）。尽管有此改进，偏相关系数通常通过协方差矩阵的逆来计算，而数据可能存在的奇异性会导致估计结果不可靠。此外，由于大脑是人体的一部分，其功能组织的细微变化——通常由神经系统疾病引起——可能无法被单一的 FBN 完全捕捉。因此，单视角 FBNs 在全面理解大脑功能结构方面存在固有的局限性。这些局限性凸显出，我们迫切需要更先进的方法来整合多视角信息，从而更全面地表征脑网络，并提高精神疾病的诊断能力。多视角脑网络的融合在全脑连接层面构建了更全面的脑部疾病表征，为深入理解大脑开辟了一条充满希望的道路。受多视角学习原理的启发，研究人员探索了构建大脑多视角表征的方法，以提高功能性脑网络（FBNs）的保真度。传统的多视角融合方法通常侧重于整合 FBNs 的拓扑特征（如聚类系数和节点度）来融合不同视角。这些方法大致分为两类：（1）从使用单一方法构建的 FBNs 中提取拓扑特征（Zhao 等，2021；Wee 等，2012）；（2）使用不同方法构建多个 FBNs，并分别提取其拓扑特征进行融合（Dhifallah 等，2020；Zhang 等，2020）。随着深度学习技术的兴起，近年来的方法开始直接将多视角 FBNs 映射到公共空间的潜在表征中，利用深度学习模型捕捉脑网络的复杂结构（Gürbüz 和 Rekik，2021；Zhang 等，2024a）。尽管这些方法为多视角融合问题提供了部分解决方案，但它们忽略了两个关键问题：（1）不同视角下脑网络的连接结构存在差异，每个视角都捕捉到大脑连接的独特方面，并提供互补信息。挑战在于如何将来自不同视角的这些互补信息整合到一个统一的模型中。（2）现有方法在融合过程中未能保留生物网络潜在的复杂拓扑模式，特别是忽略了跨视角的共享几何结构，而这对脑网络的连接模式至关重要。这一缺陷限制了当前多视角融合方法充分表征大脑功能组织的能力，因为它们没有考虑到大脑连接所蕴含的共同几何结构，而这对于在融合过程中保持网络完整性至关重要。为应对这些挑战，近年来的研究已经超越了传统的特征级融合，直接将多视角表征整合到一个统一的模型中。这些新方法旨在保持脑网络复杂的拓扑结构，同时充分考虑多视角数据的互补性。它们的目标是设计融合策略，在保留大脑连接所蕴含的共享几何结构的同时，有效整合每个视角的独特方面。通过利用更复杂的深度学习技术，这些方法能够学习到更全面的脑网络表征，从而加深我们对脑部疾病及其连接模式的理解。在多视角学习框架内，不同方法在优化目标和正则化策略上存在显著差异。Wang 等（2024）的方法侧重于基于恢复的表征学习，在最小化数据重建误差的同时，融入流形嵌入和图正则化项，以确保不同视角下学习到的表征的平滑性和一致性。该方法不仅考虑数据的重建精度，还引入图结构信息以促进跨视角的共享低维流形。Jiang 等（2022）的方法强调图学习，旨在学习一个共享的图嵌入空间，同时增强类间可分离性和视角间一致性。通过优化高阶图嵌入，加强不同视角之间的结构对齐。相比之下，Wang 等（2023）侧重于稀疏和二进制表征学习，在优化二进制矩阵表征的同时，应用稀疏性正则化来高效编码多视角数据。这种方法特别适用于具有明确类别标签的任务，通过二进制约束可以实现更紧凑的表征和更高的计算效率。每种方法都凭借其独特的优化策略和正则化技术，致力于改进多视角数据融合，从而推动有效的跨视角表征学习。与现有方法不同，我们提出了一种多视角 FBN 分析框架（MFLRSR），通过从多个 FBN 视角联合学习脑网络来构建共享表征，同时促使网络表征具有模块性和稀疏性。我们首先使用皮尔逊相关系数（PC）、稀疏表示（SR）和基于地形信息的高阶功能连接（tHOFC）等方法，从不同角度生成 FBNs，每个 FBN 都捕捉到互补的大脑信息。然后，使用成对协同正则化函数整合不同视角的 FBNs，以纳入互补信息并降低错误率。一种新颖的流形正则化模块共识函数捕捉多视角 FBNs 中常见的复杂拓扑结构，同时对每个视角施加低秩和稀疏约束，以量化局部网络的差异。我们选择了最具判别性的特征，并将所提方法的性能与其他用于识别自闭症谱系障碍（ASD）儿童的方法进行了比较。最后，本文讨论了所提方法在准确性方面的提升，并从最具判别性的脑区中识别出用于 ASD 诊断的生物标志物。总体而言，本文提出了一种很有前景的 FBNs 构建方法，可用于神经系统疾病的诊断。本文的主要贡献总结如下： - 多视角 FBN 构建方法融入了成对协同正则化模型，以保留多视角数据中存在的有价值信息。通过这种方式，确保数据的不同视角能够有效互补。 - 开发了一种新颖的流形正则化方法用于构建多视角 FBNs，有效整合来自不同视角的大脑结构信息，并利用共同特征提升 FBNs 的整体性能。 - 我们通过在 ABIDE 数据集上的大量实验验证了所提多视角 FBNs 构建方法的有效性，在准确性方面取得了最先进的结果。此外，我们发现与视觉皮层相关的脑网络可以作为 ASD 诊断的生物标志物。本文的其余部分结构如下：第 2 节介绍与本研究相关的工作。第 3 节介绍我们的多视角 FBN 构建方法。第 4 节给出了大量的实验结果和分析。最后，第 5 节对本文进行总结。为帮助读者更好地理解本文，我们在表 1 中总结了主要符号。

Abatract

摘要

Understanding the intricate patterns and interactions within functional brain networks (FBNs) is crucial for the accurate diagnosis and analysis of mental disorders. Brain function can be represented through different brain networks, each providing complementary insights into underlying neural processes. Integrating data from these different sources enables a more comprehensive and precise understanding of brain function. However, effectively combining these heterogeneous data while maintaining the structural integrity of each modality remains a critical challenge. To address this challenge, we propose an innovative fusion model for multi-view FBNs that emphasizes the preservation of shared geometric structures across views. The novelty of our model lies in two main aspects: First, we design a novel manifold regularization term that ensures the common geometric structure of FBNs is accurately captured and preserved across all views, providing strong theoretical support for robust graph construction with heterogeneous neuroimaging data. Second, we introduce a pairwise regularization function that maximizes the similarity between different views, effectively integrating complementary information while managing data heterogeneity. This dual-regularization framework uniquely addresses challenges such as small sample sizes and high-dimensional feature spaces, showcasing its distinct advantages in analyzing complex brain networks. Extensive experiments on the ABIDE dataset demonstrate that our model outperforms current state-of-the-art diagnostic methods and highlights the importance of preserving geometric structures in improving diagnostic accuracy. Additionally, our framework successfully identifies key biomarkers related to Autism Spectrum Disorder (ASD), particularly within the primary visual cortex, aligning with recent findings published in Nature in 2023. These results further validate the critical role of maintaining shared geometric structures in the effective fusion of multi-view FBN data and their pivotal contribution to mental disorder diagnosis and biomarker discovery.

理解功能性脑网络（FBNs）内部复杂的模式和相互作用，对于精神疾病的准确诊断和分析至关重要。大脑功能可以通过不同的脑网络来表示，每个脑网络都为理解潜在的神经过程提供了互补的见解。整合来自这些不同来源的数据，能够更全面、更精确地理解大脑功能。然而，在有效融合这些异构数据的同时，保持每种模态的结构完整性，仍然是一个关键的挑战。为应对这一挑战，我们提出了一种创新的多视角功能性脑网络融合模型，该模型强调对跨视角共享几何结构的保护。我们模型的创新性主要体现在两个方面：首先，我们设计了一种新颖的流形正则化项，确保功能性脑网络的共同几何结构在所有视角中都能被准确捕捉和保留，为利用异构神经影像数据构建稳健的图提供了有力的理论支持。其次，我们引入了一种成对正则化函数，最大化不同视角之间的相似性，在处理数据异构性的同时，有效整合互补信息。这种双重正则化框架独特地解决了样本量小和特征空间高维等挑战，在分析复杂脑网络方面展现出显著优势。在ABIDE数据集上的大量实验表明，我们的模型优于当前最先进的诊断方法，并凸显了保护几何结构对提高诊断准确性的重要性。此外，我们的框架成功识别出与自闭症谱系障碍（ASD）相关的关键生物标志物，特别是在初级视觉皮层中，这与2023年《自然》杂志发表的最新研究结果一致。这些结果进一步验证了在多视角功能性脑网络数据的有效融合中，保持共享几何结构的关键作用，以及它们对精神疾病诊断和生物标志物发现的重要贡献。

Method

方法

The pipeline of the proposed MFLRSR framework (see Fig. 1) is as follows: (1) Constructing FBNs using different methods; (2) the FBN is constructed by the proposed MFLRSR method; (3) the overlap between the features selected by the t-test and the geometric structure features is calculated using a permutation test as the final features, and SVM is used for the final classification.

所提出的MFLRSR框架的流程（见图1）如下：（1）使用不同方法构建功能性脑网络（FBNs）；（2）通过所提出的MFLRSR方法构建功能性脑网络；（3）采用置换检验计算t检验选取的特征与几何结构特征之间的重叠部分，将其作为最终特征，并使用支持向量机（SVM）进行最终分类。

Conclusion

结论

In this paper, we proposed a multi-view FBN fusion method that models functional connectivity with multiple views, which allows for the integration of complementary information among all views. The proposed method includes a multi-view consistency objective function to balance the connections between different views to enhance the complementary information among multi-view FBNs and constrain the error rate caused by multi-view fusion. Additionally, the modular consistency function retains the common intrinsic topology of different brain networks. The proposed multi-view fusion method for analyzing functional connectivity based on RS-fMRI appears to be a promising approach for identifying neuropsychiatric diseases such as ASD, by integrating complementary information among multiple views and retaining the common intrinsic topology of different brain networks.

在本文中，我们提出了一种多视角功能性脑网络（FBN）融合方法，该方法通过多视角对功能连接进行建模，从而实现所有视角间互补信息的整合。所提方法包含一个多视角一致性目标函数，用于平衡不同视角之间的连接，以增强多视角FBNs之间的互补信息，并约束由多视角融合导致的错误率。此外，模块一致性函数保留了不同脑网络共有的内在拓扑结构。这种基于静息态功能磁共振成像（RS-fMRI）、用于分析功能连接的多视角融合方法，通过整合多视角间的互补信息并保留不同脑网络共有的内在拓扑结构，在识别自闭症谱系障碍（ASD）等神经精神疾病方面展现出良好的应用前景。

Figure

图

Fig. 1. Illustration of the proposed MFLRSR method.

图1. 所提出的MFLRSR方法示意图。

Fig. 2. Schematic diagram of modular structure consistency function. The graph ???? is constructed from the ??th view, and different graphs ???? , ?? ∈ {1, 2, 3}, are integrated into an intrinsic graph ?? .

图2. 模块结构一致性函数示意图。图????基于第??个视角构建而成，不同的图????（?? ∈ {1, 2, 3}）被整合为一个内在图??。

Fig. 3. ASD identification pipeline used in our experiments.

图3. 本实验中使用的自闭症谱系障碍（ASD）识别流程。

Fig. 4. The adjacency matrices of FBNs (where (Z) refer to Fisher Z-transformation) constructed by single-view and multi-view methods (i.e., PC, SR, tHOFC and MFLRSR. Note that the elements in the adjacency matrices have been normalized into intervals of [−1, 1] for the convenience of comparison. ‘‘pos’’ refers to ‘‘Positive’’, which corresponds to ‘‘NC’’ (Normal Controls), while ‘‘neg’’ refers to ‘‘Negative’’, which corresponds to ‘‘ASD’’ (Autism Spectrum Disorder). ‘‘ICC’’ stands for ‘‘Intraclass Correlation Coefficient’’.

图4. 单视角和多视角方法（即PC、SR、tHOFC和MFLRSR）构建的功能性脑网络（FBNs）的邻接矩阵（其中（Z）指费希尔Z变换）。请注意，为便于比较，邻接矩阵中的元素已归一化到[-1, 1]区间。“pos”指“阳性”，对应“NC”（正常对照组），而“neg”指“阴性”，对应“ASD”（自闭症谱系障碍）。“ICC”代表“组内相关系数”。

Fig. 5. Modularized Scoring Diagram.

图5. 模块化评分图。

Fig. 6. (a) A binary feature mask heatmap, where selected edges (red) indicate significant group-discriminative connections after two-sample t-tests followed by FDR correction, while unselected edges (white) represent connections with little or no contribution to classification. Both the ??- and ??-axes correspond to ROI indices, with each element representing a functional connection between two brain regions (ROIs). (b) The volcano plots are used to identify statistically significant functional connectivity differences between ASD (Autism Spectrum Disorder) and control groups using four different connectivity analysis methods. The ??-axis represents the effect size of each brain connection (??-value), while the ??-axis indicates the statistical significance of the difference ( −log10 (??-??????????) ) , allowing for a clear visualization of which connections differ significantly between the two groups. Red dots represent connections with significant differences (?? < 0.0001), whereas black dots indicate ?? ≥ 0.0001 connections.

图6.（a）二进制特征掩码热图，其中选中的边（红色）表示经过两样本t检验及FDR校正后具有显著组间区分性的连接，未选中的边（白色）表示对分类贡献甚微或无贡献的连接。x轴和y轴均对应感兴趣区域（ROI）的索引，每个元素代表两个脑区（ROI）之间的功能连接。（b）火山图用于通过四种不同的连接分析方法识别自闭症谱系障碍（ASD）组与对照组之间具有统计学意义的功能连接差异。x轴表示每个脑连接的效应量（t值），y轴表示差异的统计学显著性（−log10（p值）），可清晰直观地展示两组间哪些连接存在显著差异。红色圆点代表具有显著差异的连接（p < 0.0001），黑色圆点表示p ≥ 0.0001的连接。

Fig. 7. Ablation Analysis of FBN Modeling: Z-Scores Comparison for ABIDE 1 (Left) and ABIDE 2 (Right).

图7. 功能性脑网络（FBN）建模的消融分析：ABIDE 1（左）和ABIDE 2（右）的Z值比较。

Fig. 8. Comparison of Different FBN Modeling Methods ABIDE 1 (left) and ABIDE 2 (right).

图8. 不同功能性脑网络（FBN）建模方法在ABIDE 1（左）和ABIDE 2（右）上的比较。

Fig. 9. Influence of ?? and ?? on MFLRSR in ASD vs. NC classification tasks ABIDE 1 (top) and ABIDE 2 (down).

图9. 参数??和??在自闭症谱系障碍（ASD）与正常对照组（NC）分类任务中对MFLRSR的影响：ABIDE 1（上）和ABIDE 2（下）。

Fig. 10. The most discriminative brain regions ABIDE 1 (top) and ABIDE 2 (down).

图10. 最具判别性的脑区：ABIDE 1（上）和ABIDE 2（下）。

Fig. 11. Most discriminative connections and brain regions ABIDE 1 (top a–e) and ABIDE 2 (down f–j).

图11. 最具判别性的连接和脑区：ABIDE 1（上 a–e）和ABIDE 2（下 f–j）。

Table

表

Table 1 Summary of main notations.

表1 主要符号汇总

Table 2 Results (%) of Combination of different views in ASD vs. NC classification. ‘‘Non-MFLRSR’’ refers to the version of the algorithm where the modular geometric consistency P has been eliminated.

表2 自闭症谱系障碍（ASD）与正常对照组（NC）分类中不同视角组合的结果（%）。“Non-MFLRSR”指的是去除了模块几何一致性P的算法版本。