科研学术

　　近日，生命科学与技术学院neuSCAN团队在医学影像分析领域国际顶级期刊Medical Image Analysis发表题为Modeling Spatio-Temporal Patterns of Holistic Functional Brain Networks via Multi-Head Guided Attention Graph Neural Networks (Multi-Head GAGNNs)（用于识别个体水平大脑功能网络时空模式的“多头引导注意力图神经网络模型”）的研究成果。团队2019级硕士研究生严加栋为论文第一作者，蒋希副研究员为通讯作者，电子科技大学为论文第一署名单位。

图一 论文提出的个体水平大脑功能网络时空模式识别模型整体框架

　　已有大量研究阐明了人类大脑的复杂功能是通过大脑全局多个功能网络之间的动态交互作用来实现的。基于个体大脑功能磁共振（functional magnetic resonance imaging, fMRI）成像数据识别并研究个体水平大脑功能网络的空间和时间模式特征，有助于深入理解大脑功能机理及其与个体认知行为的关系，也有助于进一步探索脑疾病中个体水平的大脑功能网络时空模式改变，为脑疾病的辅助诊断提供线索。近年来，基于深度学习模型和大脑磁共振影像数据对大脑功能网络时空模式的识别研究受到越来越多的关注。但已有方法未充分利用fMRI数据的时空特征且仅注重于特定单个功能网络的识别。

　　为解决已有方法缺陷，该工作开发了一个新的多头引导注意力图神经网络模型用于同时识别个体水平的多个大脑功能网络时空模式。该模型具有以下几点创新：一、将注意力机制和图卷积相结合，提出注意力图卷积操作，从而更高效地提取fMRI数据的时空特征；二、使用引导注意力机制同步识别大脑功能网络的空间和时间模式；三、采用多头分支网络结构识别全局大脑功能网络的时空模式。

图二 论文提出的Multi-Head GAGNNs模型细节

　　论文使用两个公开的数据集（人脑连接组项目（Human Connectome Project, HCP）的七个任务态fMRI数据集，孤独症脑成像数据交换I（Autism Brain Imaging Data Exchange I, ABIDE I）的静息态fMRI数据集）的共计1448名个体数据进行模型训练及验证。实验结果表明，论文提出的新模型在两个公开独立数据集上均取得了理想的个体水平大脑功能网络时空模式识别准确率，并且优于已有其他方法。此外，新模型识别得到的个体水平大脑功能网络时空模式相较已有方法可以更好地预测个体水平的行为认知指标。该工作提供了一个有效的识别个体水平的全局大脑功能网络时空模式的工具，也为将来进一步探索脑疾病功能网络时空模式的改变打下了坚实基础。

图三 论文提出模型识别全局大脑功能网络时空模式的效果

 　　论文得到了国家自然科学基金、四川省科技计划应用基础研究面上项目、广东省科技计划重点项目、北京市科技委项目的支持。

　　蒋希，生命学院生物医学工程系副研究员、硕士生导师，研究方向为神经影像计算。主持多项国家及省部级科研项目，发表国际知名期刊和会议论文140余篇。谷歌学术总引用近2600余次，h指数26，i10指数59。担任脑影像国际知名期刊Frontiers in Neuroscience-Brain Imaging Methods副主编及20余个国际重要期刊及会议评审。曾获得2018-2019年度美国李氏基金会杰出成就奖之学术发展奖（全国唯一获奖者）、2016年国家优秀自费留学生奖等多项荣誉。

　　Medical Image Analysis为国际公认的医学影像分析两大顶级期刊之一，为中科院大类一区Top期刊，2021年最新影响因子13.83。主要发表将计算机视觉、虚拟现实和机器人技术应用于医学图像分析的技术文章。CiteScore排名医学大类的放射学、核医学和影像学子类1/288，健康信息学子类1/95，计算机图形学和计算机辅助设计子类1/88。

　　论文链接：https://www.sciencedirect.com/science/article/pii/S1361841522001657