近日，由我院接标教授等人完成的一篇关于脑网络分析的研究成果：“LCGNet: Local Sequential Feature Coupling Global Representation Learning for Functional Connectivity Network Analysis with fMRI”被医学图像处理领域顶级期刊IEEE Transactions on Medical Imaging录用。

基于神经影像学数据的脑网络分析，为揭示脑功能和脑结构的复杂关系，以及神经精神类脑疾病的诊断提供了新的工具。在现有的脑网络研究中，卷积操作擅长提取脑网络的局部连接特征，但难以捕获脑网络的全局信息。Transformer通过级联的自注意力模块可以捕获脑网络的全局信息，但缺乏提取脑网络的局部特征能力。为此，本文提出一种基于局部序列特征耦合全局表示的动态脑网络特征学习方法，以利用卷积操作和多头自注意力机制来增强动态脑网络的特征表示学习能力。实验结果表明，相较于单一的局部和全局脑网络特征，本文提出的方法能够充分发挥CNN和Transformer的优势，并在多个脑疾病分类任务的定量指标上显著超越了对比方法。成果论文题目为“LCGNet: Local Sequential Feature Coupling Global Representation Learning for Functional Connectivity Network Analysis with fMRI”，我院接标教授为通信作者，研究生周杰为论文第一作者，安徽师范大学计算机与信息学院为第一完成单位。

IEEE Transactions on Medical Imaging期刊为医学图像处理领域顶级期刊，2023-2024最新影响因子为8.9。在2023年最新升级版的中国科学院SCI期刊分区中位列“医学”领域的一区，Top期刊，在2022年《中国计算机学会推荐国际学术会议和期刊目录》中属于CCF-B类。该成果论文目前已在IEEE Xplore网站上在线刊登：https://ieeexplore.ieee.org/abstract/document/10577665。