Multi-atlas fMRI Functional Connectivity Analysis and Denoising
연구 내용
다중 아틀라스와 조건부 생성모델, 스파티오-스펙트럼-시간 융합을 통해 rs-fMRI 기능연결 네트워크를 정밀화하고 MDD·MCI 진단 성능을 개선하는 연구
rs-fMRI에서 노이즈와 아티팩트가 기능연결 분석을 왜곡하는 문제를 해결하기 위해, 잡음 성분을 식별하고 제거하는 심층 전처리 프레임을 구축합니다. 이어서 여러 뇌 아틀라스를 통합하는 그래프 기반 표현을 구성하여 서로 다른 파케이션 스케일의 연결 정보를 동시에 해석합니다. 또한 기능연결의 토폴로지 특성을 반영하는 그래프 조건부 생성모델과 스파스 그래프 표현학습을 결합해 진단에 유효한 연결 패턴을 강화합니다. 마지막으로 멀티모달·다중관점 특성 융합 및 앙상블 의사결정으로 견고성을 확보하는 차별성이 있습니다.
관련 연구 성과
관련 논문
5편
관련 특허
0건
관련 프로젝트
0건
연구 흐름
초기에는 rs-fMRI에서 노이즈 관련 성분을 자동으로 탐지하는 end-to-end 기반 전처리 연구를 수행하며 스파티오-시간 특징을 학습하는 기반을 마련했습니다. 이후 기능연결 추출을 전제로, 그래프 표현을 통해 MDD와 MCI의 질환 관련 패턴을 탐색하는 방향으로 확장했습니다. 다중 아틀라스 통합과 다중관점 spectral Graph Convolutional Neural Networks를 적용해 서로 다른 파케이션 스케일의 정보를 일관된 표현으로 융합하는 연구를 진행했습니다. 동시에 FC 토폴로지를 보존하는 조건부 생성과 스파스 표현 탐색을 도입해 데이터 제약 하에서도 진단 성능을 끌어올리는 흐름으로 심화되었습니다.
활용 가능성
활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.
관련 논문
구분
제목
Spectral Graph Neural Network-Based Multi-Atlas Brain Network Fusion for Major Depressive Disorder Diagnosis
Graph-Based Conditional Generative Adversarial Networks for Major Depressive Disorder Diagnosis With Synthetic Functional Brain Network Generation
Sparse Graph Representation Learning Based on Reinforcement Learning for Personalized Mild Cognitive Impairment (MCI) Diagnosis
Deep attentive spatio-temporal feature learning for automatic resting-state fMRI denoising
A Unified Multi-Modality Fusion Framework for Deep Spatio-Spectral-Temporal Feature Learning in Resting-State fMRI Denoising