论文阅读系列--关键词：fMRI+brain connectivity+machine learning，大概近两年顶会顶刊，仅作参考用，如有侵权请联系删除！！！

参考文献目录：

[1]Stoecklein, Veit M., et al. "Resting-state fMRI detects alterations in whole brain connectivity related to tumor biology in glioma patients." Neuro-oncology 22.9 (2020): 1388-1398.

[2]Jiang, Rongtao, et al. "Task-induced brain connectivity promotes the detection of individual differences in brain-behavior relationships." NeuroImage 207 (2020): 116370.

[3]Ronicko, Jac Fredo Agastinose, et al. "Diagnostic classification of autism using resting-state fMRI data improves with full correlation functional brain connectivity compared to partial correlation." Journal of Neuroscience Methods 345 (2020): 108884.

[4]Rashid, Barnaly, et al. "Classification of schizophrenia and bipolar patients using static and dynamic resting-state fMRI brain connectivity." Neuroimage 134 (2016): 645-657.

[5]Weis, Susanne, et al. "Sex classification by resting state brain connectivity." Cerebral cortex 30.2 (2020): 824-835.

[6]Spisak, Tamas, et al. "Pain-free resting-state functional brain connectivity predicts individual pain sensitivity." Nature communications 11.1 (2020): 1-12.

[7]Gritsenko, Andrey, Martin Lindquist, and Moo K. Chung. "Twin Classification in Resting-State Brain Connectivity." 2020 IEEE 17th International Symposium on Biomedical Imaging (ISBI). IEEE, 2020.

 

 

[1]Stoecklein, Veit M., et al. "Resting-state fMRI detects alterations in whole brain connectivity related to tumor biology in glioma patients." Neuro-oncology 22.9 (2020): 1388-1398.

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7523460/

 

本文设计了基于静止状态功能（f）MRI的成像方法，以单独量化功能连接的异常。分析了34名患者,单独应用一种静息状态的功能磁共振成像标记。使用该标记对功能性连接体进行分析后发现，不仅可以在可见病变附近检测到功能性连接异常，而且还可以在相对距离遥远的脑组织甚至对侧半球中检测到功能性连接异常。

 

我们设计的评价方法称为异常指数（ABI），通过将每个体素中的功能连接强度与1000名健康对照组的参考队列进行比较，来量化神经胶质瘤患者对功能连接的损害。为了检测和量化单个患者中功能连接的改变，我们将单个患者中每个链接的连接强度与该链接的连接强度的均值和标准差进行了比较，该均值和标准差来自于1000位健康受试者。具体而言，通过将大脑中的3114个体素作为种子并计算其与所有其他体素的连接强度（定义为BOLD信号时程的相关强度r），在全脑水平上评估功能连接性。

 

于每个种子体素i的连通性图可以表示为向量F i，其中i = 1、2，...，3114，代表大脑中的3114体素。对于每个向量F i，计算了1000个受试者的相关值r的均值和标准差，得出了一个名为MEAN i的向量和一个名为STD i的向量。

然后，将每个患者的向量F i（p）（其中P = 1，2，…，34，代表34位患者）与1000名健康受试者的平均值和标准差进行比较，从而得出种子体素i每个连接的异常评分（ABS）。为了量化每个体素的异常，对绝对ABS超过某个阈值z的连接进行计数，得出每个体素的异常计数（ABC）。

 

功能磁共振成像静息态的原始数据被分成两半，并作为重测数据进行处理。然后分别分别基于rsfMRI会话的前半部分或后半部分的信息来计算病变和对侧半球的ABI。然后使用Pearson相关系数估计可重复性。

 

[2]Jiang, Rongtao, et al. "Task-induced brain connectivity promotes the detection of individual differences in brain-behavior relationships." NeuroImage 207 (2020): 116370.

https://www.sciencedirect.com/science/article/pii/S1053811919309619

 

功能磁共振成像体积被分成来自Brainnetome Atlas的246个节点（感兴趣的区域，ROI）（Fan等人，2016年）。对于每种条件，通过平均每个个体的246个节点中的体素化fMRI时间序列来获得平均区域时间序列。然后计算任意两个节点之间的时间进程的皮尔逊相关性并进行Fisher变换，从而为每个主题生成246×246对称FC矩阵

 

使用FC矩阵复制了Greene的预测程序，以预测认知指标。与原始研究不同，我们采用PLS回归预测新受试者的阅读理解分数指标（PVT和ORRT）。PLS回归与主成分分析和多元线性回归有一定关系，并通过表示具有少量潜在成分的变量来发挥作用（Yoo等人，2017）。该预测是在10倍交叉验证范围内进行的。具体地，将一份的受试者（10％）指定为测试样品，而将其余的九份的受试者（90％）用作训练集。在训练期间，PLS回归（Geladi和Kowalski，1986年）被用来模拟在训练对象中观察到的阅读理解分数和全脑FC之间的关系，从而产生一个预测模型。然后，将训练集中建立的模型应用于一倍省略的测试对象的连接性数据，以生成预测的阅读理解分数。通过依次交换测试和训练集的角色（每组受试者被排除一次），我们获得了所有受试者的预测PVT和ORRT分数。

 

 

[3]Ronicko, Jac Fredo Agastinose, et al. "Diagnostic classification of autism using resting-state fMRI data improves with full correlation functional brain connectivity compared to partial correlation." Journal of Neuroscience Methods 345 (2020): 108884.

https://www.sciencedirect.com/science/article/pii/S0165027020303071

 

在这项研究中，通过部分和全部相关方法（例如高斯图形最小绝对收缩和选择算子（GLASSO），对ASD和典型发育（TD）的静止状态功能磁共振成像（Rs-fMRI）的大脑连接进行了分析。 MAX-Det矩阵补全（MDMC）和Pearson相关系数（PCCE）。我们研究了来自238个功能定义的目标区域的ASD和TD脑的功能连接性（FC）。此外，我们通过应用条件随机森林和条件置换重要性构造了一系列特征集。我们针对每个功能集通过随机森林（RF），斜向RF（ORF），支持向量机（SVM）和卷积神经网络（CNN）建立了分类器模型。FC功能基于p排名-value，我们分析了前20个FC功能

 

我们通过RF，ORF，SVM和CNN方法构建分类器模型，并使用CRF方法提取每组特征。该模型的最佳功能集由内环测试精度确定。

 

[4]Rashid, Barnaly, et al. "Classification of schizophrenia and bipolar patients using static and dynamic resting-state fMRI brain connectivity." Neuroimage 134 (2016): 645-657.

https://www.sciencedirect.com/science/article/pii/S105381191630091X

 

基于静态和动态FNC功能的分类。

1、为所有ROI计算静态和动态FNC矩阵。

2、通过首先将数据单次分割为10份，将10份交叉验证组定义为HC，SZ和BP，其中每份包括健康对照组的6名受试者，精神分裂症组的6名受试者和4名来自双极型人群的受试者。这些样本构成测试集（每次迭代有16个测试样本）。其余包括每次迭代的训练集。请注意，此步骤对于所有分类算法都是相同的。

3、要为训练集选择静态FNC功能，请按照下列步骤操作：

i）对于降维和特征选择，对训练集的静态FNC应用双输入对称相关性（DISR）方法，然后选择前100个静态FNC特征sFNC。

ii）将逐组k均值聚类应用于训练组的窗口FNC矩阵。根据弯头准则，选择每组的最佳群集质心数（动态连接状态）。在我们的动态FNC分析中，群集质心的最佳数量是每组5个。形成一个回归矩阵，R组 × 这些质心与这些组特定的质心。

iii）使用回归矩阵在每个时间点回归出窗口化的FNC矩阵。记录每个时间窗口的beta系数β。在我们的分析中，我们为每个时间窗记录了15个β系数。

iv）计算每个主题的所有时间窗口的平均β系数。在我们的分析中，每个主题有15个平均β系数。这些平均β系数是动态FNC特征Feat dFNC，用于分类分析。

4、将Feat sFNC和Feat dFNC功能结合起来，用于训练集Feat sFNC  +  dFNC。

5、使用这些Feat sFNC  +  dFNC功能，训练线性支持向量机（SVM）分类器。

6、构建测试集并选择测试功能，使用DISR方法选择相同的F sFNC功能。通过使用与训练数据相同的方法计算平均β系数来选择F dFNC特征。将这些F sFNC和F dFNC功能结合起来进行测试。

7、使用训练有素的分类器对测试主题进行分类，并记录分类效果。

8、返回第3步，并重复第3步到第7步，以遍历所有交叉验证折叠。

 

[5]Weis, Susanne, et al. "Sex classification by resting state brain connectivity." Cerebral cortex 30.2 (2020): 824-835.

https://academic.oup.com/cercor/article/30/2/824/5524764?login=true

 

我们的方法不是像以前的研究那样使用全脑连接，而是基于对各个大脑区域与其余parcels的连接性进行分类的训练分类器。这种方法可以为每个区域分别计算分类的准确性，以找出哪个大脑区域的连通性可以达到最佳的分类准确性。

 

对于每个parcel，计算激活时间过程并将其与其他每个parcel的激活时间过程相关联。然后，对于每个parcel，将与大脑其余部分的连通性模式用作训练分类器以区分的特征。最后，通过使用交叉验证，为每个parcel确定性别分类的样本外准确性。因此，这种新颖的方法提供了一种直接的方法来描述空间特定的效果。

 

对于每个大脑包裹，分别使用非线性支持向量机（SVM）（LibSVM工具箱；Chang 2011）使用径向基函数（RBF）核来训练模型，以便从相应的连接套中对受试者的性别进行分类。SVM通过一组观测值学习一组输入变量或特征（每个地块的连接方式）与特定结果（对象的性别）之间的关系。我们的目标是拟合一个近似功能与结果之间关系的函数，该函数可稍后用于从其连接体中推断出新受试者的性别。使用仅在训练中安装的beta来调整年龄的影响。在内部循环中，通过对每个折叠的训练集进行交叉验证来优化模型的超参数γ和C，并通过平均折叠的超参数来创建最终模型。

 

使用独立样本t检验比较那些正确分类的受试者和错误分类的受试者的GMV。虽然有21个比较在P  <0.05时具有显着性，但在436个包裹中进行多次测试的FDR校正后，没有一个保持显着性，这表明正确分类和错误分类的对象之间的包裹GMV没有显着差异。

 

特定大脑区域的预测准确性存在明显差异，表明在空间上具有特定效果。值得注意的是，具有高预测精度的那些空间特定的宗地在样本分类之内和之间是稳定的，表明这些预测的一般性与样本的特定特征以及所使用的特定成像参数无关。

 

[6]Spisak, Tamas, et al. "Pain-free resting-state functional brain connectivity predicts individual pain sensitivity." Nature communications 11.1 (2020): 1-12.

https://www.nature.com/articles/s41467-019-13785-z

 

总共对N = 116位参与者的原始大脑图像进行了自动伪影去除，包括去刺，讨厌的回归，带通滤波和运动污染的时间范围的检查。这些步骤对BOLD信号的影响以地毯图为例（a，x：时间，y：体素，颜色：强度）。随后，进行了多阶段，高精度的脑图谱个性化，以获取M = 122个功能定义的脑区域的局部灰质信号（b）。计算所有可能的区域对之间的部分相关性，以评估功能连通性，并基于大规模模块化对它们进行排序，以形成各个连通性矩阵。保留了所有区域与全局灰质信号的部分相关性，以说明但未完全放弃全局信号的作用，全局信号是大脑活动的一个组成部分，通常被认为是混淆的，但也与例如警惕相关。我们构建了一个机器学习pipeline，包括特征归一化，特征选择和拟合弹性网回归模型。非零回归系数自然地描述了预测子网。每个系数都可以解释为预测中连通性的相对重要性。正（负）系数表示更强的区域间功能连接性，预测对疼痛的敏感性更高（更低）。在研究中经过训练的RPN签名模型在7503个功能连接的总数中保留了21个非零链接。

 

[7]Gritsenko, Andrey, Martin Lindquist, and Moo K. Chung. "Twin Classification in Resting-State Brain Connectivity." 2020 IEEE 17th International Symposium on Biomedical Imaging (ISBI). IEEE, 2020.

https://ieeexplore.ieee.org/abstract/document/9098604

 

在本文中，我们提出了一种新颖的成对分类流水线，以使用静止状态功能磁共振图像（rs-fMRI）来识别孪生对的接合性。新的特征表示被用来为每个对象有效地构建大脑网络。具体来说，我们将fMRI信号投影到一组余弦序列基础上，并使用投影系数作为嘈杂的fMRI的紧凑而有区别的特征表示。成对关系由跨大脑区域的功能性大脑网络之间的一组成对相关性编码。我们进一步采用HI变量选择来确定遗传最受影响的大脑区域。