一句话总结

作者提出了 DiffGAN-F2S，这是一种对称扩散生成对抗网络，能够在一个阶段内直接从 fMRI 数据预测结构连接。通过整合双通道注意力机制和空间连接一致性损失，该模型在分析阿尔茨海默病等神经退行性疾病的准确性和效率方面优于先前的方法。

主要贡献

• 本文介绍了 DiffGAN-F2S，这是一种对称扩散生成对抗网络，通过将去噪扩散概率模型与对抗学习相结合，在统一框架内生成高保真图，从而从 fMRI 数据中预测结构连接。
• 设计了一种结合图卷积模块的双通道多头空间注意力机制，旨在捕捉直接与间接脑区之间的全局关系，同时建模局部交互以揭示复杂的非线性映射关系。
• 在 ADNI 数据集上的实验表明，该方法有效保留了经验连接模式，在结构连接预测方面优于现有模型，成功识别出用于临床分析的关键脑区和连接。

引言

建模由 fMRI 衍生的功能连接与结构连接之间的关系，对于揭示阿尔茨海默病等神经退行性疾病的病理机制至关重要。先前的方法通常依赖于低效的两阶段流程，即先计算功能连接再预测结构，同时面临生成模型训练不稳定和模式崩溃的问题。作者利用一种名为 DiffGAN-F2S 的新型对称扩散生成对抗网络，在统一的端到端框架中直接从 fMRI 预测结构连接。通过整合去噪扩散概率模型、对抗学习以及双通道多头空间注意力机制，该方法在保留关键的全局和局部拓扑信息的同时，高效地生成了高保真的对称图。

数据集

• 数据集构成与来源：作者利用了阿尔茨海默病神经影像计划（ADNI）公共仓库的数据，选取了 240 名患者，平均分为两类：120 名正常对照者和 120 名轻度认知障碍（MCI）受试者（包括早期和晚期阶段）。

• 各子集的关键细节：

  • 成像模态：每位受试者均使用 3T 磁共振仪器进行了功能磁共振成像（fMRI）和扩散张量成像（DTI）扫描。
  • DTI 规格：采集参数包括 3.4 秒至 17.5 秒的重复时间（TR），56 毫秒至 105 毫秒的回波时间（TE），以及 6 至 126 个梯度方向。
  • fMRI 规格：TR 在 0.607 秒至 3.0 秒之间变化，TE 在 30 毫秒至 32 毫秒之间。

• 数据处理与预处理：

  • DTI 流程：作者使用 PANDA 工具箱和解剖自动标记（AAL90）图谱处理 DTI 数据，生成了维度为 $90 \times 90$90×90 的经验结构连接（SC）矩阵（$A_0$A0​）。
  • fMRI 流程：团队未采用标准程序，而是使用 aal.nii 图谱文件将原始 fMRI 数据转换为基于 ROI 的时间序列，无需额外参数，从而得到大小为 $90 \times 187$90×187 的主样本矩阵（$F$F）。
  • 矩阵定义：在 $90 \times 187$90×187 的 fMRI 矩阵中，90 行对应 AAL90 图谱定义的 ROI，每个元素代表特定 ROI 在给定时间点的平均信号强度。

• 模型应用：处理后的数据集作为测试模型在预测结构连接方面性能的基础，并将其与不同扩散步骤和受试者组别的经验 SC 进行比较。

方法

作者提出了 DiffGAN-F2S 模型，用于从脑 fMRI 数据预测结构连接（SC）。整体框架如第一张图所示，描绘了从原始脑数据到 fMRI 的转换，经所提模型处理后得到结构连接。

该架构由两个主要部分组成：对称扩散过程和条件去噪过程。如下图所示，扩散过程通过在 $T$T 步内持续向经验 SC 矩阵 $\mathbf{A}_0$A0​ 注入高斯噪声，将其建模为噪声 SC 的真实分布，直到其变为高斯矩阵 $\mathbf{A}_T$AT​。

在去噪过程中，脑 fMRI 作为条件来指导干净 SC $\mathbf{A}_0'$A0′​ 的预测。为了降低计算成本，去噪步骤被压缩为 $T/d$T/d 步，其中每一步都利用条件生成对抗网络。单个去噪步骤的详细结构包括对称图生成器和连接判别器。

对称图生成器采用非参数调制器（NPM）将原始 fMRI 转换为初步的基于 ROI 的时间序列，无需可学习参数。这些特征与噪声样本一起通过包含双通道多头空间注意力（DMSA）模块和基于 GCN 模块的 $L$L 层。DMSA 模块旨在捕捉直接和间接连接的脑区之间的全局关系。该注意力机制的具体实现在下图中详细说明。

该模块计算查询（$Q$Q）、键（$K_1, K_2$K1​,K2​）和值（$V$V）向量，其中 $K_1$K1​ 和 $K_2$K2​ 代表由单层 GCN 导出的直接和间接连接的 ROI 特征。注意力值分别针对直接和间接连接计算，并组合起来更新 ROI 特征。在注意力机制之后，后验计算模块（PCD）将特征转换为对称模糊的 $\dot{\mathbf{A}}_0$A˙0​，并通过后验采样预测当前步骤的噪声 SC。

连接判别器区分噪声 SC 是源自生成器还是经验方法。它利用三层 GCN，其中边代表噪声 SC，节点特征是对应于 AAL90 图谱定义的 90 个脑区的独热向量。时间嵌入作为偏置项插入到判别计算中。

为了优化模型，设计了三个损失函数：用于约束分布一致性的去噪对抗损失、用于衡量边强度差异的平均绝对误差（MAE）损失，以及用于捕捉局部和全局图形属性的空间连接一致性损失。空间连接一致性损失包括整体相似性和介数中心性项，以确保准确预测内在结构模式。

实验

• 该模型在一个阶段内将 fMRI 转换为结构连接，验证了其将高斯噪声去噪为经验连接的能力，同时保留了全局和局部模式。
• 与七种现有模型的对比实验表明，该方法在准确性和拓扑一致性方面表现优异，预测结果与经验数据高度相关，且在图指标上的误差显著降低。
• 连接分析证实，该模型可靠地识别出与疾病相关的脑区和与轻度认知障碍相关的异常连接，在大多数关键区域与经验发现相符。
• 消融研究验证了对抗损失、空间连接一致性损失、对称设计以及特定的注意力机制对于维持分布一致性和捕捉全局拓扑特征至关重要。
• 效率测试表明，跳过步骤机制平衡了预测速度和准确性，将推理时间减少到约 3 秒，且性能没有显著损失。