摘要
功能性脑网络在ROI、社区和全脑层面上展现出层级组织结构，支持局部处理、社区间协调和全球整合。近期研究表明，关注脑社区的建模对于脑网络的诊断和生物标志物识别是有益的。
然而，现有的脑图建模方法往往难以有效建模ROI与社区之间的交互，从而未能充分利用ROI、社区和全脑网络层级之间的层级关系。为了解决这一问题，受到深度超曲率学习在建模层级结构方面的启发，我们提出了一种新框架——超曲率学习在脑图谱上的应用（HLBG），用于脑网络分析。
HLBG的核心思想是利用超曲率空间的固有层级几何特性来建模ROI、功能社区和全脑网络之间的层级关系，从而学习具有层级意识和高度区分性的脑网络数据表示。具体而言，HLBG首先将ROI、社区和全脑网络的表示投影到Lorentzian超曲率空间中。然后，通过两个几何蕴含约束施加多层次层级结构。此外，我们引入了一种新的图感知Mamba（GaMamba）模型，该模型将基于拓扑的结构提示融入Mamba中，以捕捉长距离依赖，同时保留图的拓扑信息。
实验结果显示，在ABIDE-I和REST-MDD数据集上，HLBG的表现优于现有最先进的方法，并且能够识别与失调相关的功能生物标志物。
博主点评： 本文提出的HLBG框架通过超曲率几何特性有效地建模了脑网络的层级结构，展示了其在神经科学领域的潜力。结合GaMamba模型捕捉长距离依赖，为脑失调的诊断提供了新的思路，值得进一步关注与研究。