“选择与融合：一种适用于稀疏且不确定性机制的有效多图谱脑网络分析方法”

《Neural Networks》：Select then Fusion: An Effective Multi-atlas Brain Network Analysis Method with Sparse and Uncertain Mechanism

多图谱脑网络分析通过注意力增强模块筛选关键脑区并融合不确定性信息，显著提升疾病诊断精度。

　　

黄嘉双|苏展|姜书|侯涛|王明亮|丁卫平

南通大学人工智能与计算机科学学院，中国南通226019

摘要

多图谱脑网络在识别脑部疾病方面比单一图谱提供了更全面和深入的理解。传统的多图谱分析方法依赖于一些简单的融合方法（例如，加法和串联），但没有考虑由于脑区增加以及多个图谱之间信息不确定性所导致的信息冗余。为了解决这个问题，我们提出了一种有效的多图谱脑网络分析方法，该方法采用了一种稀疏和不确定的机制，称为稀疏不确定融合神经网络（SUFNN）。首先，我们使用不同的图谱基于功能性磁共振成像（fMRI）构建多图谱脑网络。然后，使用注意力增强模块来学习每个图谱的特征。这些特征被输入到多图谱脑区选择模块中，该模块可以根据其重要性分数选择与疾病相关的脑区。随后，模型利用选定的特征进行下游处理。最后，我们使用不确定融合模块来确定每个图谱的不确定性，并执行不确定融合策略以获得证据级别的结果。在SRPBS数据集上的实验结果表明，我们的SUFNN在识别脑部疾病方面优于几种最先进的方法。

引言

脑部疾病对全球健康构成了重大威胁。脑部疾病的复杂性要求使用复杂的诊断和治疗方法（Pape等人，2019年）。通过功能性磁共振成像（fMRI）构建的脑网络分析是一种有前景的方法，可用于识别脑部疾病（Cui等人，2022年；Li等人，2025年；Niu等人，2023年；Zhang等人，2022a年）。脑网络分析提供了关于不同脑区之间功能连接性的关键见解，揭示了表明神经疾病的模式（Zhang等人，2023年）。目前，它已被用于诊断多种疾病，如自闭症谱系障碍、重度抑郁症和强迫症（Chen等人，2022年；Fang等人，2025年）。

脑图谱对脑网络分析非常重要（Kleven等人，2023年）。在许多学者的研究贡献下，已经提出了各种脑图谱（例如，自动解剖标记（AAL）（Tzourio-Mazoyer等人，2002年）、哈佛-牛津（HO）（Desikan等人，2006年）和Dosenbach（DOH）（Dosenbach等人，2010年））。这些图谱是根据解剖学、功能或连接特性将大脑划分为不同区域的标准化地图（Leergaard和Bjaalie，2022年）。由于其在提供标准化分析、功能定位和个性化诊断方面的优势，这些图谱在当代脑网络研究中得到了广泛应用（Ma等人，2024年）。应当注意的是，不同的脑图谱具有不同的功能区域、解剖区域和覆盖范围。例如，AAL图谱基于大量的解剖学研究，对大脑的各个区域进行了精确划分。它不仅包括大脑皮层的不同区域，还包括基底节和丘脑等皮下结构，为研究大脑的解剖结构提供了详细的参考。DOH图谱强调功能网络，其特征是与认知、控制和注意力网络相关的感兴趣区域（ROI）的划分。仅依赖单一图谱无法充分利用这些图谱中嵌入的医学先验知识（Zhang等人，2024年）。通过结合这些图谱，可以克服单个图谱的局限性，提供更全面的视图（Zhang和Sejdi?，2019年）。这种多图谱方法有效地捕捉了功能脑网络的复杂性和多尺度特性，从而提高了各种疾病的诊断准确性（Brittin等人，2021年；Lee等人，2024a年）。

然而，多图谱方法也带来了一些挑战。多个脑图谱的整合导致脑区数量增加，从而产生了大量的计算冗余。这是因为结合多个图谱不可避免地会导致某些脑区在计算中被重复考虑，而这些数据中的许多可能对诊断特定疾病并不相关。一些研究表明（Khosla等人，2019年），与使用较少的区域相比，增加脑区数量并不一定能提高性能，因为更多的区域引入了更高维的节点特征，这可能会包含过多或不相关的信息，最终降低脑疾病识别的有效性。

此外，传统多图谱融合方法的一个常见问题是它们直接使用简单的串联方式，没有考虑每个图谱的不确定性。脑图谱的不确定性可以归因于多种因素，例如由于不同的划分标准和个人差异造成的差异。不同的划分标准可能导致脑区划分的差异。例如，一些图谱可能根据解剖标志物来划分大脑，而其他图谱可能使用功能连接模式，从而导致脑区的边界和解释不同（Revell等人，2022年）。个体差异也起着重要作用。每个人的大脑在结构、连接性和功能方面都是独特的（Kelly等人，2024年）。遗传因素、环境暴露和发展经历都可能导致大脑形态和活动模式的变化。这些不确定性也会影响最终脑疾病识别的性能。

为了解决这些问题，我们提出了一种有效的多图谱脑网络分析方法，称为稀疏不确定融合神经网络（SUFNN）。在这个框架中，我们考虑了多个图谱之间的稀疏性和不确定性机制。如图1所示，我们首先根据不同的图谱基于原始fMRI数据生成多图谱脑网络。然后，我们使用注意力增强模块来学习特征。根据这些增强注意力的特征，我们使用评分网络为每个区域获得重要分数。通过保留得分最高的K个脑区，我们可以进行脑区选择以获得稀疏特征。最后，我们使用这些选定的特征来获取每个图谱的证据，并利用Dempster-Shafer理论来合并多图谱特征的证据。

与现有的多图谱脑网络分析工作相比，本文的主要贡献可以总结如下：

• 1.
  设计了一个多图谱脑区选择模块，该模块选择并揭示了高影响力的脑区。该模型减少了原始数据中的噪声和冗余计算的影响。
• 2.
  设计了一个不确定性融合模块，通过计算每个图谱的不确定性来解决不同图谱之间的潜在差异和不准确性。该模块可以平衡选择模块引入的特征数据中的不确定性。
• 3.
  我们通过与最先进方法的广泛比较，在SRPBS公共数据集上验证了我们模型的优越性能。

部分摘录

用于脑网络分析的深度学习框架

许多研究使用深度学习框架来分析脑网络，这些框架利用了这些模型处理数据复杂性的能力。这些方法可以分为三类：基于CNN的、基于GNN的和基于Transformer的。

基于CNN的方法：具体来说，Kawahara等人提出了BrainNetCNN（Kawahara等人，2017年），它由三个新颖的卷积层组成：边到边（E2E）、边到节点（E2N）和节点到图（N2G）。

材料和预处理

本研究的实验数据来自由日本医学研究开发机构（AMED）组织的Decoded Neurofeedback项目（Tanaka等人，2021年）。实验数据集SRPBS包括来自1410名参与者（620名患者和790名正常对照组）的3T MRI数据（静息态fMRI EPI图像、去伪影的T1加权图像和场图）。所有数据均以NIFTI格式提供，并且根据参与者的同意可以无限制地发布。

提出的方法

我们提出的架构有三个主要部分：1）注意力增强模块（在第4.1节中描述），2）多图谱脑区选择模块（在第4.2节中描述），3）不确定融合模块（在第4.3节中描述）。让$X_i\in R^{v_i\times v_i}$表示多图谱脑网络数据，i代表不同的图谱，v表示节点（即ROI）的数量。该模型旨在融合这些多图谱数据以识别不同的脑部疾病。在本文中，我们选择了两个单独的

实验设置

在实验中，采用了五折交叉验证策略来评估不同方法的性能。数据集被随机分为五个相等的部分。然后，在其中四个部分上训练模型，并在剩余的一个部分上进行测试。我们重复了这个过程五次，每个部分恰好作为一次测试集。然后对这五次迭代的结果进行平均，以提供更可靠的模型性能估计。使用了四个指标来

脑区选择模块的有效性

我们进行了消融研究，以探索SUFNN框架中脑区选择模块的影响。具体来说，我们检查了带有和不带有选择模块的SUFNN模型的性能。在没有选择模块的SUFNN版本中（称为SUFNN w/o selection module），我们设计了利用所有可用脑区进行疾病识别的方法。注意力增强模块处理的特征被直接用于特征

结论

我们提出了稀疏不确定融合神经网络（SUFNN）用于多图谱脑网络分析，旨在解决脑疾病识别中的信息冗余和不确定性问题。其主要贡献如下：一个多图谱脑区选择模块，该模块整合了局部和全局特征以识别与疾病相关的区域，减少了冗余并增强了对区分性区域的关注；一个基于Dempster-Shafer理论的不确定融合模块，用于量化

CRediT作者贡献声明

黄嘉双：写作 – 审稿与编辑，撰写原始草稿，方法论。苏展：写作 – 审稿与编辑，撰写原始草稿，可视化，验证，方法论，数据管理。姜书：可视化，软件。侯涛：监督，项目管理。王明亮：数据管理。丁卫平：监督。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能会影响本文报告的工作。