近日，由我院接标教授、研究生周杰等人完成的一篇关于脑网络分析的研究成果：“DCLNet: Double Collaborative Learning Network on Stationary-Dynamic Functional Brain Network for Brain Disease Classification”被图像处理领域顶级期刊IEEE Transactions on Image Processing录用。

图1 双协同学习网络

基于静息态功能磁共振成像的静态功能脑网络和动态功能脑网络从多维度勾勒出人脑复杂的内在交互模式，二者在脑疾病分析中具有独特且互补的价值。然而，当下众多研究仅聚焦于单一的静态功能脑网络或动态功能脑网络分析，这无疑限制了脑网络分析的深度与广度。虽有少数研究尝试整合静态功能脑网络与动态功能脑网络进行脑疾病的识别，并取得了较传统方法更优的成果，但它们忽视了诸如类间和类内受试者分布信息等关键的判别信息。为此，本文提出了一种双协同学习网络（图1），利用协同编码器和协同对比学习，学习静态功能脑网络和动态功能脑网络的互补信息以及受试者在类间和类内的分布信息。具体来说，基于构建的静态功能脑网络和动态功能脑网络，首先构建了一种协同编码器，提取两种网络不同层次（边到边、边到节点、节点到网络）的特征，并利用剪枝嫁接Transformer模块嵌入不同网络间特征的互补信息。进一步，构建一种协同对比学习模块，协同学习这两种网络在类间和类内的特征分布信息，从而使学习的网络表示更具有判别力。该成果现已被IEEE Transactions on Image Processing期刊在线发表https://ieeexplore.ieee.org/document/11045792（DOI：10.1109/TIP.2025.3579991），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 Image Processing是国际电气工程师协会（IEEE）下图像处理领域的权威期刊，为中科院SCI期刊“计算机科学”大类的一区TOP期刊、中国计算机学会CCF推荐的计算机图形学与多媒体领域的三大A类期刊之一，2024-2025年最新影响因子为13.7。