本研究由南京航空航天大学人工智能学院的Shengrong Li、Qi Zhu（通讯作者）、Wei Shao、Daoqiang Zhang（IEEE高级会员）以及哈尔滨工业大学计算机科学与技术学院的Chunwei Tian共同完成，发表于IEEE Transactions on Medical Imaging期刊。研究得到国家自然科学基金（62371234、62076129等）、江苏省重点研发计划（BE2022842）等项目的支持。
研究领域：动态功能脑网络（Dynamic Functional Brain Network, DFBN）分析，属于医学影像与计算神经科学交叉领域。
研究动机：传统DFBN分析方法依赖数据驱动模型，忽视脑结构与功能的先验知识，导致模型可解释性不足；同时，动态脑网络的复杂时空耦合特性使拓扑特征提取成为挑战。
科学问题：如何结合脑功能模块化（如默认模式网络DMN）与结构聚类先验，构建可解释的DFBN分析框架？
研究目标：提出一种融合功能-结构先验的时空张量图卷积网络（ST²GCN），实现动态脑网络的层次化表征与疾病诊断。
研究对象：
- 癫痫数据集：306例（114正常对照NC、103额叶癫痫FLE、89颞叶癫痫TLE）
- ADNI数据集：226例（82 NC、76记忆担忧SMC、69早期轻度认知障碍EMCI）
- ABIDE数据集：630例（337 NC、293自闭症谱系障碍ASD）
预处理：使用SPM8和DPARSF工具箱进行fMRI数据标准化、去噪、分区（AAL图谱90个脑区）。
关键步骤：
- 动态网络构建：通过非重叠滑动窗口（窗口数T=5）提取时间子信号，计算Pearson相关系数（阈值α=0.6）生成动态功能连接矩阵。
- 功能子网络划分：基于预定义的功能-结构聚类（如DMN、额顶网络FPN等8个子网络），将全脑网络分解为层次化子网络。
创新方法：
- 层内传播（Intra-graph Propagation）：在单个时间窗口内聚合子网络内相邻节点的空间特征（公式3），采用对称归一化拉普拉斯矩阵处理动态邻接张量。
- 层间传播（Inter-graph Propagation）：通过虚拟图连接不同时间窗的相同脑区（公式4），利用全1矩阵构建虚拟邻接关系，捕捉时间演化特征。
功能子网络约束（FSC）：
- 层内一致性：通过余弦相似度（公式6）强化同一子网络内脑区特征的相似性。
- 层间差异性：通过欧氏距离（公式7）增强不同子网络间的特征区分度。
癫痫数据集：
- NC vs. FLE&TLE：准确率84.0%（F1 88.1%，AUC 82.0%）
- NC vs. TLE：准确率84.1%（AUC 82.4%）
ADNI数据集：
- NC vs. EMCI：准确率95.3%（AUC 94.3%）
ABIDE数据集：NC vs. ASD准确率73.8%（AUC 75.16%）
（均显著优于16种对比方法，如BraingNN、ST-GCN等，详见表I-III）
关键子网络贡献：
- 癫痫诊断中，DMN与注意网络（ATN）权重最高（NC vs. FLE任务中ATN贡献45.5%，表VI）。
- 认知障碍诊断中，ATN-FPN交互异常（NC vs. SMC任务中ATN贡献33.7%，FPN贡献26.7%）。
动态连接异常：
- 癫痫患者颞叶-视觉网络（VN-AN）连接强度降低（p=0.0316，图6b），与记忆-视觉功能损伤一致。
- SMC患者突显网络-感觉运动网络（SAN-SMN）连接增强（p=0.0120），反映代偿性神经重塑（图6c）。
时空变异性：患者组脑网络动态波动率显著高于对照组（如NC vs. FLE p=0.0182，图7），印证疾病导致网络不稳定性。
科学价值：
1. 提出首个融合功能-结构先验的层次化DFBN分析框架，克服传统方法时空特征解耦的局限。
2. 通过ST²GCN与FSC约束，实现脑疾病生物标志物的网络级可解释性（如揭示DMN-ATN在癫痫中的作用）。
应用价值：
- 为癫痫分型、认知障碍早期诊断提供新工具（如ADNI数据集EMCI识别AUC达94.3%）。
- 开源代码（GitHub）促进医学影像社区方法复用。
（注：专业术语如”Pearson相关系数”、”AAL图谱”等首次出现时保留英文原词，后文使用中文表述。）