NeuroAlign：用于MCI分析的动态与结构神经影像分层多模态融合
NeuroAlign是一个分层多模态融合框架，整合fMRI和DTI数据用于轻度认知障碍（MCI）分析。它引入了双模态分层对齐（DMHA）和双域分层交互（DDHI）模块，以及无需梯度的协同激活映射（SAM）归因方法，在多个数据集上取得了有竞争力的性能。
近日，研究人员提出了一种名为NeuroAlign的新型分层多模态融合框架，用于整合功能磁共振成像（fMRI）和弥散张量成像（DTI）数据，以分析轻度认知障碍（MCI）和主观认知下降（SCD）。该框架旨在解决多模态神经影像融合中异构特征空间和表示不对齐的挑战。
NeuroAlign的核心包括两个主要模块：双模态分层对齐（DMHA）和双域分层交互（DDHI）。DMHA通过建模多尺度动态连接性并对齐动态-静态及功能-结构嵌入，实现不同模态间的有效对应。具体来说，DMHA利用时间动态信息捕捉功能连接的变化，同时将静态结构信息与动态功能特征对齐，从而获得更丰富的表示。DDHI则支持连接性和区域级特征之间的细粒度调制与全局交互，增强特征的表达能力。该模块通过双向信息流，使连接性特征能够动态调整区域激活，反之亦然。
为了支持特征级别的检查，研究团队还设计了协同激活映射（SAM），这是一种无需梯度、面向标记的归因方法，适用于动态功能连接（DFC）、静态功能连接（SFC）、低频振幅（ALFF）和各向异性分数（FA）等特征。SAM通过计算特征之间的协同作用来定位关键脑区，无需反向传播即可提供可解释性。
在GUTCM、ADNI和OASIS三个数据集上进行的五折交叉验证中，NeuroAlign在MCI和SCD检测任务上取得了竞争性结果，并展现了初步的跨数据集迁移能力。归因分析揭示了模态特异性和部分一致的脑部模式，为多模态表示分析提供了模型驱动的证据。例如，fMRI特征主要涉及默认模式网络，而DTI特征则关联白质纤维束。
该研究为多模态神经影像融合提供了新的视角，有望在早期认知障碍诊断中发挥重要作用，并为未来的个性化医疗奠定基础。