利用全球14,468例结构MRI构建一个仅需最小预处理即可稳健估计脑龄的深度网络DeepBrainNet，验证其在跨中心、跨扫描仪条件下的泛化能力，并挑战拟合越紧越好的传统观念。系统比较松/中/紧三种拟合度下脑龄差对多种脑疾病的区分力。进一步，将DeepBrainNet作为迁移学习的基座网络，构建疾病特异性分类器。

用3D-DenseNet分别基于FDG-PET和结构MRI训练脑龄预测模型，系统对比两种模态在正常衰老和多种痴呆类型（MCI、AD、FTD、DLB）中的表现差异，并通过遮挡分析揭示年龄和模态特异的脑区贡献，测试BAG对认知障碍进展的前瞻预测能力。

用3D-DenseNet分别基于FDG-PET和结构MRI训练脑龄预测模型，系统对比两种模态在正常衰老和多种痴呆类型（MCI、AD、FTD、DLB）中的表现差异，并通过遮挡分析揭示年龄和模态特异的脑区贡献，测试BAG对认知障碍进展的前瞻预测能力。

构建一个端到端的自适应人口图学习框架，其利用注意力机制自动学习多模态（影像 + 非影像）表型的权重、基于加权表型动态生成图结构，同时通过可视化注意力权重提供完整的可解释性。

开发一种直接从纵向MRI（同一个体在不同时间点t1t1​和t2t2​的T1扫描）估计脑衰老速度PP的3D-CNN纵向模型，并用显著性图实现神经解剖可解释性。

开发一种直接从纵向MRI（同一个体在不同时间点t1t1​和t2t2​的T1扫描）估计脑衰老速度PP的3D-CNN纵向模型，并用显著性图实现神经解剖可解释性。

系统性地梳理和批判在儿童/青少年群体中应用脑龄预测框架所面临的核心挑战，并提出各挑战的具体建议和未来方向。

构建一个高精度 + 高公平性（低年龄偏差） + 内建可解释性的脑龄估计模型，并将注意力图应用于正常衰老分析和ASD（自闭症谱系障碍）诊断。

异常检测模型训练的一个直接目标是可以直接应用于多视角多场景中。然而，几乎所有已有数据集都只包含使用一台固定角度相机拍摄的视频，且缺乏场景和视角的多样性。为了增加场景多样性，构建了一个新的异常检测数据集ShanghaiTech。此外，在该数据集中引入了由突然运动引起的异常，例如追逐和斗殴。这些异常是现有数据集不具备的，使得所构建的数据集更适合真实场景。

文章目录1 错误现象2 原始代码3 问题解决1 错误现象  使用torch调用GPU时时出现以下错误：UnicodeDecodeError: 'utf-8' codec can't decode byte 0xb1 in position 3: invalid start byte2 原始代码import torchdef test():x = torch.arange(...