本研究提出了一种数据驱动的方法，利用合成功能性磁共振成像（FMRI）探讨脑中概念的定位。MindSimulator通过生成技术学习脑活动概率分布，成功定位多个概念选择区域，为神经科学研究提供了新方向。

本研究提出了一种新方法scBIT，将功能性磁共振成像与单细胞转录组学相结合，显著提升了阿尔茨海默病的预测精度，并揭示了脑区与基因之间的复杂关系。

本研究提出了一种新的深度学习纤维聚类框架——深度多视图纤维聚类(DMVFC)，该框架结合了纤维的几何特征和功能性磁共振成像的BOLD信号，解决了传统扩散磁共振成像方法忽视功能信号的问题。实验结果表明，DMVFC在功能一致的白质分区方面优于现有方法。

该研究提出了多种新方法用于自闭症谱系障碍（ASD）的诊断和分析，包括W-SIMULE模型、NeuroGraph软件包和MADE-for-ASD网络，显著提高了诊断的准确性和效率。研究通过功能性磁共振成像（fMRI）数据揭示了大脑连接性与ASD的关系，并提出了有效的预测模型，推动了神经影像学的发展。

本文探讨了深度学习在功能性磁共振成像(fMRI)数据分析中的应用，介绍了FBNETGEN、BrainRGIN和BrainMAE等新方法，旨在提高对大脑动态的理解和智力预测的准确性。这些方法结合了自监督学习和图神经网络，展示了在处理复杂神经影像数据时的有效性。

本研究利用功能性磁共振成像(fMRI)和深度学习技术，分析观看电影时大脑活动，探讨轻度认知障碍(MCI)与阿尔茨海默病(AD)的脑网络特征。研究提高了对MCI和SCD的早期诊断准确性，并揭示了与视觉处理障碍相关的独特拓扑模式，为未来治疗策略提供了潜在线索。

该研究利用功能性磁共振成像（fMRI）分析大脑编码与解码模型，探讨深度学习算法在语言理解中的应用及局限性。研究表明，语法轻量级表示能显著提升脑解码性能，并提出多种神经解码方法，展示脑机接口在语言生成和视觉刺激解码中的潜力。

本文介绍了利用图神经网络（GNN）和功能性磁共振成像（fMRI）数据识别自闭症谱系障碍（ASD）生物标志物的研究进展。研究提出了一种可解释的GNN框架，强调重要脑区，并展示了在分类准确性和生物标志物一致性方面的优势。此外，介绍了ContrastPool和BN-GNN等新方法，提升了脑网络分析的性能和解释能力。

本文探讨了功能性磁共振成像(fMRI)与Transformer模型在自闭症谱系障碍(ASD)预测和诊断中的应用。提出的Com-BrainTF架构在ASD预测任务中表现优越，且具有高可解释性。此外，研究还介绍了TokenGT和BrainNPT等新型模型，在脑网络分类和功能连接性分析中取得了显著进展。

本文研究使用基于Transformer的语言模型，比较了不同模型尺寸与训练数据规模对于预测功能性磁共振成像记录下的脑活动响应的影响。结果显示，模型或数据规模增大时，在音频与语言预测方面均能获得显著性提升，为理解大脑语言处理机制和实际解码应用提供改善的可能。