BrainATCL：自适应时序脑连接学习：功能连接预测与年龄估计

arXiv:2508.07106v2 公告类型：替换 摘要：功能磁共振成像（fMRI）是一种广泛用于研究人类脑活动的成像技术。即使个体处于静息状态，大脑各区域的fMRI信号也会以高度结构化的方式暂时同步和去同步其活动。这些功能连接动态可能与行为和神经精神疾病有关。为了对这些动态进行建模，时序脑连接表示至关重要，因为它们能够反映脑区之间不断演变的交互，并为瞬时神经状态和网络重构提供洞见。然而，传统图神经网络（GNN）通常难以捕捉动态fMRI数据中的长程时间依赖关系。为应对这一挑战，我们提出了BrainATCL，这是一种用于自适应时序脑连接学习的无监督、非参数框架，可实现功能连接预测和年龄估计。我们的方法根据新增边的速率，动态调整每个快照的回溯窗口。随后，利用GINE-Mamba2骨干网络对图序列进行编码，以学习来自Human Connectome Project中1,000名参与者静息态fMRI数据的动态功能连接时空表示。为进一步改进空间建模，我们引入了由脑结构和功能提供信息的边属性，即脑区所属的左/右半球身份和子网络成员关系，使模型能够捕捉具有生物学意义的拓扑模式。我们在两个任务上评估了BrainATCL：功能连接预测和年龄估计。实验结果表明，该方法具有优越的性能和强大的泛化能力，包括在跨会话预测场景中的表现。