科研学术

　　近日，我校生命科学与技术学院neuSCAN团队在美国电气和电子工程师协会人工智能及机器学习领域国际顶级期刊IEEE Transactions on Neural Networks and Learning Systems（IEEE TNNLS）发表题为Anatomy-Guided Spatio-Temporal Graph Convolutional Networks (AG-STGCNs) for Modeling Functional Connectivity between Gyri and Sulci across Multiple Task Domains（“基于大脑解剖信息引导的时空图卷积网络”用以建模跨多个认知任务的大脑沟回功能连接）的研究成果。团队2019级硕士研究生蒋铭心为论文第一作者，蒋希副研究员为论文通讯作者，电子科技大学为论文第一署名单位。

图一 “基于解剖学引导的时空图卷积网络”模型整体框架

　　人脑最显著的特征之一是其皮质表面高度褶皱，形成凸起的脑回和凹陷的脑沟。随着物种进化和个体发育，大脑皮层的褶皱程度从简单到复杂，同时伴随着大脑认知功能的不断完善。已有研究发现脑回和脑沟在基因表达、神经纤维束连接等方面存在显著差异，也预示着两者在功能上的差异。目前，基于磁共振脑影像和深度学习的大脑沟回功能差异研究还处于早期阶段，已有研究多侧重于大脑沟回的功能磁共振成像信号的时间维度特征，而其空间维度特征常被忽略；多侧重于研究单一认知任务下的大脑沟回功能特性，而跨多个不同认知任务的大脑沟回功能的规律性/可变性尚不清楚；多侧重于关注大脑沟回间的无向功能连接强度特性，而其有向功能连接及信息交互特性尚不清楚。

　　为克服已有研究缺陷，本工作提出了一种新的AG-STGCN（基于大脑解剖信息引导的时空图卷积网络）模型研究跨多个认知任务的大脑沟回功能连接特性。该工作具有以下三个创新：1.将大脑解剖结构特性有机融入到大脑功能的深度学习建模中，并基于所提模型的可解释性角度深入研究了沟回功能连接在七个不同认知任务下相较于静息态的规律性/可变性；2.在考虑个体大脑差异的前提下，探索了大脑沟回功能连接与人类行为认知指标的相关性；3.基于卡尔曼滤波对大脑沟回功能连接的方向性及信息交互特性进行了探索，揭示了特定认知任务下大脑沟回之间的神经信息流动特性。

图二 跨不同认知任务的全脑、跨半脑、半脑间的沟回功能连接特征

　　论文使用公开的人类连接组项目（Human Connectome Project, HCP）S900数据集（共900个个体，每个个体包含七个不同的认知任务以及一个静息态磁共振数据）进行模型训练及验证。实验结果表明论文提出的新模型在该公开数据集上取得了理想的认知任务和静息态分类准确率，并且优于已有其他方法。此外，该模型成功发现了跨不同认知任务下的大脑沟回功能连接特性：脑回和脑回之间功能连接的数量最多，脑沟和脑沟之间功能连接数量最少，脑沟和脑回之间功能连接数量居中，并且这些连接特征与人类认知行为指标显著相关。此外，在特定的认知任务中，脑回相较脑沟参与同侧和对侧的神经通信程度更高，其神经信息流向也存在显著差异。本工作基于深度学习模型和磁共振脑成像数据系统研究了大脑脑沟与脑回功能信号在时域、频域、功能连接强度及方向上的差异特性，进一步探讨了大脑结构-功能-行为认知的关系，为将来深入理解大脑的工作模型打下了基础。

图三 大脑沟回功能连接在情绪任务和静息态下的不同神经信息流动方向特性

　　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、电子科技大学中央高校基本科研业务费的支持。

　　蒋希，电子科技大学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2650余次，h指数27，i10指数61。担任医学图像计算国际顶级会议MICCAI 2022区域主席，以及脑影像国际知名期刊Frontiers in Neuroscience-Brain Imaging Methods副主编和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。

　　IEEE Transactions on Neural Networks and Learning Systems为中科院大类一区top期刊，主要发表有关神经网络和相关学习系统的理论、设计和应用的技术文章，2021年影响因子14.255。

　　论文链接：https://ieeexplore.ieee.org/document/9851619