图谱会改变后续分析能看到的信号
脑图谱把体素组织成分区，常将庞大的 fMRI 体积压缩为每个脑区一条时间序列。这些区域信号随后用于功能连接矩阵或预测模型。因此，边界并非无关紧要：把不同响应混在一起可能掩盖有效差异，分得过细则会增加后续分析的维度。
固定的群体图谱提供统一标签，却未必充分反映每个人的功能组织。DCA 希望根据个体 fMRI 特征学习分区，同时保留可配置的分区数量和解剖范围。难点是让功能相关的体素归在一起，又避免出现空间上零散、破碎的区域。
先学习体素特征，再共同优化分区边界
DCA 的输入包括预处理后的 fMRI、定义目标脑区的掩膜，以及指定的分区数量 K。上方原文方法图将特征预训练与个体化聚类分开。输出是逐体素的分区图，个体分区还可合成为群体图谱，用于比较和下游分析。
为每个体素学习特征向量
Swin-UNETR autoencoder 通过重建被掩蔽的时空块进行预训练，利用周围位置与时间点的信息描述体素信号。聚类因此不直接面对噪声较大的原始时间序列，而是在学习到的特征空间中进行。
用特征相似性连接相邻体素
在目标掩膜内，把体素与空间邻居连接成稀疏图，边权由嵌入相似性决定。谱聚类提供辅助分区标签，软分配则计算各体素对 K 个可学习中心的亲和度。功能相似性与空间关系由此进入同一个优化过程。
迭代更新特征与聚类中心
对齐损失让软分配与图结构给出的标签一致。迭代时更新聚类中心及编码器的最终投影层，其余编码器权重固定。改变掩膜或 K，即可改变解剖范围和分区粒度，不必仅从已有图谱目录中选择。
分区内部是否一致，也能支持后续分析吗？
AtlaScore 连接两层评估。功能同质性衡量同一分区内的信号相似程度；silhouette coefficient 比较分区内部一致性与相邻分区之间的可分性。下游实验再将区域级功能连接特征送入简单的线性分类器，在共同预测流程中检验图谱选择的影响。
先匹配粒度，再比较图谱
主要质量比较使用 100 名 HCP 被试，并匹配分区数量。在 200 个分区时，相比 Schaefer，DCA 的功能同质性提高 77.7%，silhouette 提高 19.5%。匹配粒度很重要，因为仅增加分区数量，也可能让这些指标变高。
把分区放进真实任务中检验
六项主要任务覆盖 HCP 特质预测与认知任务解码、ABIDE 自闭症分类，以及 ADNI 诊断分类。DCA 在多个粒度下表现有竞争力，部分认知与诊断任务更强；个别任务仍由其他图谱取得更高结果。CHCP 另用于检验 HCP 构建环境之外的跨数据集表现。
| 质量指标 | 检验什么 | 报告的相对提升 ↑ |
|---|---|---|
| 功能同质性 | 同一分区内部的信号相似性 | +77.7% |
| Silhouette coefficient | 分区内一致性与分区间可分性 | +19.5% |
为需要支持的分析选择分区
DCA 将图谱变成 fMRI 流程中可学习、可配置的环节。价值不只在于得到更整齐的分区图，还在于这些区域信号能否支持后续分析。选择时，应在可比的分区数量下，同时考察功能一致性、空间连续性、解剖覆盖范围与下游表现。
构建分区图，或评估已有图谱
公开流程使用 MNI152 空间的 fMRI 和配准后的解剖掩膜。运行 DCA 前先确定掩膜与分区数量，再通过 AtlaScore 比较质量和下游表现。这是一套图谱构建与评估流程，而非直接给出诊断的模型。
Graph-Guided Deep Embedding Clustering for Brain Atlases
本文由 fMRI Atlas 根据上述原始研究整理。
本文更新：
原始概览
DCA constructs brain atlases at voxel resolution, using fMRI features to tailor parcels to individual subjects. A pretrained autoencoder supplies the embeddings, while a spatial graph guides clustering so that each parcel stays connected. Users can choose the number of parcels and the brain region to partition. The work also introduces AtlaScore, a benchmark for comparing atlas quality and downstream utility.
Summary of the original paper, revised September 20, 2025 (v2).
BibTeX
@inproceedings{wang2025dca,
title={DCA: Graph-Guided Deep Embedding Clustering for Brain Atlases},
author={Wang, Mo and Peng, Kaining and Tang, Jingsheng and Wen, Hongkai and Liu, Quanying},
year={2025},
booktitle={Advances in Neural Information Processing Systems},
volume={38},
doi={10.52202/085713-3450},
url={https://papers.nips.cc/paper_files/paper/2025/hash/954729c2c57c32cab97c4f868dbb4d3e-Abstract-Conference.html}
}