Multi-Atlas Brain Network Classification through Consistency Distillation and Complementary Information Fusion

📄 arXiv: 2410.08228v2 📥 PDF

作者: Jiaxing Xu, Mengcheng Lan, Xia Dong, Kai He, Wei Zhang, Qingtian Bian, Yiping Ke

分类: eess.IV, cs.CV, cs.LG

发布日期: 2024-09-28 (更新: 2025-10-24)

💡 一句话要点

提出AIDFusion网络，融合多图谱信息并进行一致性蒸馏，提升脑网络分类性能

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 脑网络分类 多图谱融合 一致性蒸馏 功能磁共振成像 Transformer 神经系统疾病 消息传递

📋 核心要点

  1. 现有脑网络分类方法受限于单一脑图谱，难以充分检测疾病引起的异常模式。
  2. AIDFusion通过解耦Transformer过滤不一致信息，并进行一致性蒸馏，融合多图谱互补信息。
  3. 实验结果表明，AIDFusion在多个疾病数据集上优于现有方法，并提取出可解释的神经科学模式。

📝 摘要（中文）

本研究针对神经科学中通过脑网络识别神经系统疾病模式的关键问题，提出了一种图谱集成蒸馏与融合网络(AIDFusion)，用于利用fMRI数据改进脑网络分类。AIDFusion通过解耦Transformer过滤图谱间不一致的信息，并蒸馏出可区分的连接，从而解决了多图谱利用的挑战。同时，该网络结合了受试者和群体层面的一致性约束，以增强跨图谱的一致性。此外，AIDFusion采用图谱间消息传递机制，融合不同脑区间的互补信息。在四个不同疾病数据集上的实验结果表明，与现有方法相比，AIDFusion具有有效性和高效性。案例研究表明，AIDFusion提取的模式具有可解释性，并且与已有的神经科学发现一致。

🔬 方法详解

问题定义：脑网络分类旨在通过分析静息态功能磁共振成像(fMRI)数据构建的脑网络，识别与神经系统疾病相关的特定模式。然而，目前缺乏用于脑网络分类的标准图谱，导致现有方法在检测疾病异常方面存在局限性。虽然一些方法尝试利用多个图谱，但它们忽略了图谱间的一致性，并且缺乏脑区层面上的信息交换。

核心思路：AIDFusion的核心思路是利用解耦Transformer过滤掉图谱特异性的噪声信息，并蒸馏出跨图谱一致且具有区分性的连接模式。同时，通过引入受试者和群体层面的一致性约束，进一步增强跨图谱的一致性。此外，通过图谱间消息传递机制，融合不同脑区间的互补信息，从而更全面地捕捉脑网络特征。

技术框架：AIDFusion的整体架构包含以下几个主要模块：1) 多图谱脑网络构建：使用不同的脑图谱将大脑划分为不同的感兴趣区域(ROIs)，并基于fMRI数据计算ROIs之间的功能连接，构建多个脑网络。2) 解耦Transformer：利用解耦Transformer过滤掉每个图谱中与其他图谱不一致的信息，提取出具有区分性的连接。3) 一致性约束：引入受试者和群体层面的一致性约束，增强跨图谱的一致性。4) 图谱间消息传递：通过消息传递机制，融合不同图谱中脑区间的互补信息。5) 分类器：利用融合后的脑网络特征进行疾病分类。

关键创新：AIDFusion的关键创新在于：1) 提出了一种基于解耦Transformer的图谱特异性信息过滤和一致性蒸馏方法，能够有效地利用多个脑图谱的信息。2) 引入了受试者和群体层面的一致性约束，增强了跨图谱的一致性。3) 提出了图谱间消息传递机制，融合了不同脑区间的互补信息。

关键设计：解耦Transformer的具体结构未知，但其目标是过滤掉图谱特异性的噪声信息。一致性约束的具体实现方式未知，但其目标是增强跨图谱的一致性。图谱间消息传递机制的具体实现方式未知，但其目标是融合不同脑区间的互补信息。损失函数的设计未知，但其目标是优化分类性能，同时保证跨图谱的一致性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

AIDFusion在四个不同疾病数据集上的实验结果表明，其性能优于现有方法。具体提升幅度未知，但论文强调了AIDFusion的有效性和高效性。案例研究表明，AIDFusion提取的脑网络模式具有可解释性，并且与已有的神经科学发现一致，验证了该方法的可靠性。

🎯 应用场景

该研究成果可应用于多种神经系统疾病的辅助诊断，例如阿尔茨海默病、精神分裂症等。通过分析患者的脑网络特征，可以帮助医生更准确地识别疾病，并为制定个性化的治疗方案提供依据。此外，该方法还可以用于研究不同脑区之间的功能连接，从而更深入地理解大脑的工作机制。

📄 摘要（原文）

In the realm of neuroscience, identifying distinctive patterns associated with neurological disorders via brain networks is crucial. Resting-state functional magnetic resonance imaging (fMRI) serves as a primary tool for mapping these networks by correlating blood-oxygen-level-dependent (BOLD) signals across different brain regions, defined as regions of interest (ROIs). Constructing these brain networks involves using atlases to parcellate the brain into ROIs based on various hypotheses of brain division. However, there is no standard atlas for brain network classification, leading to limitations in detecting abnormalities in disorders. Some recent methods have proposed utilizing multiple atlases, but they neglect consistency across atlases and lack ROI-level information exchange. To tackle these limitations, we propose an Atlas-Integrated Distillation and Fusion network (AIDFusion) to improve brain network classification using fMRI data. AIDFusion addresses the challenge of utilizing multiple atlases by employing a disentangle Transformer to filter out inconsistent atlas-specific information and distill distinguishable connections across atlases. It also incorporates subject- and population-level consistency constraints to enhance cross-atlas consistency. Additionally, AIDFusion employs an inter-atlas message-passing mechanism to fuse complementary information across brain regions. Experimental results on four datasets of different diseases demonstrate the effectiveness and efficiency of AIDFusion compared to state-of-the-art methods. A case study illustrates AIDFusion extract patterns that are both interpretable and consistent with established neuroscience findings.