功能性人脑网络数据集

本研究提供了一个全面且高质量的功能性人脑网络数据集，旨在支持神经科学、机器学习和图分析交叉领域的研究。数据集由南洋理工大学计算机科学与工程学院等机构的研究人员合作收集，涵盖了自闭症、阿尔茨海默病、帕金森病和脑损伤等4种脑部疾病，共计2702个受试者。数据集的创建过程涉及从公共数据库和私有源收集大量MRI图像，并通过领域专家的指导进行预处理，以生成脑网络数据。该数据集的应用领域包括但不限于早期疾病预测、脑功能连接分析等，旨在通过数据驱动的研究方法，推动神经科学及相关领域的进步。

This study presents a comprehensive and high-quality functional human brain network dataset, designed to support research at the intersection of neuroscience, machine learning, and graph analysis. The dataset was collaboratively collected by researchers from institutions including the School of Computer Science and Engineering at Nanyang Technological University, covering four types of brain diseases: autism, Alzheimer's disease, Parkinson's disease, and brain injury, with a total of 2702 participants. The dataset creation process involves collecting large volumes of MRI images from public databases and private sources, followed by preprocessing under the guidance of domain experts to generate brain network data. Application scenarios of this dataset include but are not limited to early disease prediction, brain functional connectivity analysis and more, aiming to advance progress in neuroscience and related fields through data-driven research approaches.

搜集汇总

数据集介绍

构建方式

在神经科学、机器学习与图分析交叉领域，功能性人脑网络数据集的构建遵循严谨的流程。该数据集源自六个公开及私有神经影像数据库，涵盖自闭症、阿尔茨海默病、帕金森病及轻度创伤性脑损伤四种脑部疾病，共包含2702名受试者。构建过程首先从原始静息态功能磁共振成像（rs-fMRI）及结构T1加权图像中筛选高质量数据，并转换为脑成像数据结构（BIDS）格式。随后采用先进的fMRIPrep工具进行预处理，包括运动校正、图像对齐、归一化及去噪等步骤，确保影像质量。接着通过多种分区方法（如AAL、HarvardOxford、Schaefer图谱及k-means与Ward聚类）将大脑划分为不同感兴趣区域（ROIs），并基于区域间血氧水平依赖（BOLD）信号的相关性计算功能连接矩阵，最终形成以加权邻接矩阵和特征矩阵表示的脑网络图结构。

特点

该数据集的核心特点在于其规模性与多样性。它整合了多源、多站点采集的神经影像数据，覆盖了四种具有临床意义的脑部疾病状态，为跨疾病比较研究提供了丰富样本。数据集不仅提供了基于多种分区方法生成的脑网络，保留了全加权连接矩阵，避免了二值化处理可能造成的信息损失，还包含了每个区域的BOLD信号特征矩阵，支持更精细的图属性分析。此外，数据经过严格的质控流程与领域专家验证，确保了转换后网络的质量与可靠性，为机器学习模型提供了高保真的图结构输入。

使用方法

该数据集适用于图机器学习与神经科学的交叉研究，尤其可用于脑疾病分类、疾病阶段预测及网络拓扑分析。研究者可通过提供的连接矩阵与特征矩阵，直接应用于图分类、图回归等任务，或利用原始预处理影像自定义连接度量。数据已通过12种传统机器学习与图神经网络模型的基准测试，结果可作为领域性能比较的参考。使用时应遵循数据许可协议，合理引用数据来源，并注意不同分区方法可能对模型性能产生影响，建议结合多分区结果进行稳健性验证。

背景与挑战

背景概述

功能性人脑网络数据集由南洋理工大学与奥克兰大学等机构的研究团队于2023年构建，旨在推动神经科学、机器学习与图分析交叉领域的数据驱动研究。该数据集整合了来自ABIDE、ADNI、PPMI等六个公开及私有来源的静息态功能磁共振成像数据，涵盖自闭症、阿尔茨海默病、帕金森病及轻度创伤性脑损伤四种脑部疾病，共包含2702名受试者的脑网络数据。通过采用标准化的预处理流程与多种脑区划分方案，该数据集为脑功能连接研究提供了高质量、可复现的基准资源，显著降低了领域内数据获取与处理的壁垒，促进了网络神经科学在疾病早期诊断与机制探索中的应用。

当前挑战

该数据集致力于解决脑网络分析中疾病分类与预测的核心挑战，尤其在神经退行性疾病的早期识别方面面临数据异质性高、模型泛化能力有限等难题。在构建过程中，研究团队需克服多源神经影像数据的复杂预处理需求，包括运动校正、配准、去噪等步骤的高度计算成本与领域知识依赖；同时，脑区划分方案的选择对网络结构具有显著影响，而不同划分方法导致的节点定义差异增加了数据标准化与比较的复杂性。此外，多中心、多扫描仪采集的数据存在固有变异性，需在保持数据质量的前提下实现有效整合，这对数据集的可靠性与适用性构成了持续挑战。

常用场景

经典使用场景

在神经科学、机器学习和图分析交叉领域，功能性人脑网络数据集为探索大脑功能连接提供了关键资源。该数据集通过整合静息态功能磁共振成像数据，构建了以脑区为节点、功能连接为边的图结构，广泛应用于神经退行性疾病的早期识别与分类研究。其经典使用场景包括利用图分类模型区分健康个体与自闭症、阿尔茨海默病等患者，以及通过图序数回归分析疾病严重程度的不同阶段，为网络神经科学的数据驱动研究奠定了坚实基础。

实际应用

在实际应用层面，该数据集为神经退行性疾病的辅助诊断和预后评估提供了重要工具。临床研究人员可利用其构建的脑网络特征，开发自动化诊断模型，以区分阿尔茨海默病、帕金森病等不同疾病状态。此外，数据集支持多中心、多扫描仪数据的整合分析，有助于克服神经影像数据采集中的异质性问题，推动个性化医疗和精准神经科学的发展，最终提升早期疾病检测的准确性与效率。

衍生相关工作

基于该数据集，已衍生出一系列经典的图机器学习和分析方法研究。例如，对比子图模型被用于提取疾病特异性的功能连接模式，以增强分类可解释性；图卷积网络、图注意力网络等深度学习模型被应用于脑网络分类任务，验证了图结构在捕获大脑动态信息方面的优势。这些工作不仅推动了脑网络分析算法的创新，还为后续研究提供了可复现的基准结果，促进了网络神经科学领域的理论进展与方法优化。