brainpicm-personalized-community-masking

name	brainpicm-personalized-community-masking
description	BrainPICM 个性化社区掩码方法论 - 基于渐进式个体化社区感知掩码的脑网络自监督学习框架。使用最优传输进行 ROI 到社区的软分配，课程式掩码策略逐步引入低置信度区域，偏差感知聚合模块量化功能重组。适用于 fMRI 脑网络分析和神经精神疾病诊断。Activation: BrainPICM, personalized community, progressive masking, brain network SSL, optimal transport brain, 个性化社区, 渐进式掩码, 脑网络自监督
category	neuroscience
trigger_words	["BrainPICM","personalized community","progressive masking","brain network SSL","optimal transport brain","community assignment","curriculum masking","deviation-aware aggregation"]
source	arxiv
arxiv_id	2606.29695
paper_title	Progressive Self-Supervised Learning with Individualized Community Assignment for Brain Network Analysis
authors	Hairui Chen, Yanwu Yang, Jianfeng Cao et al.
published	2026-06-29

BrainPICM: 个性化社区感知掩码学习

核心创新

提出渐进式个体化社区感知掩码（Progressive Individualized Community-aware Masking）框架，首次将脑网络的模块化社区结构显式注入自监督学习过程。

关键技术

1. Progressive Unbalanced Optimal Transport（渐进式非平衡最优传输）

• 功能：将 ROI-to-community 映射建模为渐进式非平衡最优传输过程
• 输出：
  • 软分配（soft assignments）：每个 ROI 属于各社区的概率
  • 置信度分数（confidence scores）：每个 ROI 分配的确定性程度
• 优势：捕捉个体差异和病理变化

2. Curriculum-Style Masking Strategy（课程式掩码策略）

• 核心思想：从稳定区域逐步过渡到变化区域
• 执行流程：
  1. 初始阶段：仅掩码高置信度、稳定的模块化结构
  2. 渐进阶段：逐步引入低置信度、可能病理性的区域
  3. 最终阶段：学习稳定结构和个体变异的完整表示
• 优势：模型先学习通用模式，再适应个体差异

3. Deviation-Aware Aggregation Module（偏差感知聚合模块）

• 功能：量化功能重组程度
• 方法：测量相对于群体模板的质量重分布（mass redistribution）
• 输出：
  • 可解释的偏差指标
  • 增强的下游预测能力

方法论要点

问题背景

• 脑网络具有模块化社区结构，但在个体和神经精神疾病间存在异质性
• 现有自监督学习方法忽视这种异质性
• 依赖通用掩码策略，无法捕捉被试特异的功能组织

解决方案流程

输入：fMRI 脑网络数据
  ↓
Step 1: 计算 ROI 到社区的软分配（最优传输）
  ↓
Step 2: 获取每个 ROI 的置信度分数
  ↓
Step 3: 课程式掩码（从高置信度到低置信度）
  ↓
Step 4: 自监督预训练（掩码重建）
  ↓
Step 5: 偏差感知聚合（量化功能重组）
  ↓
输出：脑网络表示 + 诊断预测

实验验证

数据集

• ABIDE-I：自闭症脑影像数据集
• ADHD-200：注意力缺陷多动障碍数据集
• ADNI：阿尔茨海默病神经影像倡议数据集

结果

• 在三个 fMRI 数据集上均超越现有监督和无监督方法
• 诊断准确率显著提升
• 证明显式注入模块化社区结构能产生功能一致且可泛化的表示

实现细节

# 关键组件伪代码
class BrainPICM:
    def __init__(self):
        self.optimal_transport = UnbalancedOT()
        self.masking_strategy = CurriculumMasking()
        self.deviation_module = DeviationAwareAggregation()
    
    def ():
        
        soft_assignments, confidence_scores = .optimal_transport.solve(
            roi_features=brain_network.roi_features,
            community_templates=.population_template
        )
         soft_assignments, confidence_scores
    
     ():
        
        mask_threshold = .get_threshold(epoch)
        masked_regions = .masking_strategy.apply(
            network=brain_network,
            confidence=confidence_scores,
            threshold=mask_threshold
        )
         masked_regions
    
     ():
        
        deviation_scores = .deviation_module.compute(
            individual_assignments=soft_assignments,
            population_template=.population_template
        )
         deviation_scores