杜宇慧教授团队在医学图像计算与计算机辅助介入(MICCAI 2025)国际会议上发表《A Model Order-Free Method for Stable States Extraction in Dynamic Functional Connectivity》和《Multi-subject Orthogonal Sparse Matrix Decomposition Method for Extracting Individual Brain Functional Networks》两篇文章。MICCAI是医学图像分析领域国际公认最具影响力的学术组织，该会议今年(2025)收到投稿论文3677篇（较去年增长28%），接收论文数量为1014，整体接收率仅为29%。《A Model Order-Free Method for Stable States Extraction in Dynamic Functional Connectivity》论文第一作者为方嵩柯（单位：山西大学计算机与信息技术学院），《Multi-subject Orthogonal Sparse Matrix Decomposition Method for Extracting Individual Brain Functional Networks》论文第一作者为何星宇（单位：山西大学计算机与信息技术学院），通讯作者均为杜宇慧（单位：山西大学计算机与信息技术学院），合作作者均为Vince D. Calhoun（单位：Tri-Institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS), Georgia State University, Georgia Institute of Technology, Emory University）、Godfrey D Pearlson（单位：Departments of Psychiatry and Neurobiology, Yale University）、Peter Kochunov（单位：Maryland Psychiatric Research Center and Department of Psychiatry, University of Maryland）、以及Theo G.M. van Erp（单位：Department of Psychiatry and Human Behavior, School of Medicine, University of California）。两项研究均获得国家自然科学基金（62576199 和 62076157）、三晋人才科技创新领军人才项目、山西省研究生创新项目(2025XS039)和美国国立卫生研究院（R01MH123610）资助。  

    《A Model Order-Free Method for Stable States Extraction in Dynamic Functional Connectivity》研究的背景是动态功能连接（dynamic functional connectivity, dFC）分析揭示了功能连接在短时尺度上的波动，反映了大脑在多种状态间的内在转换。然而，由于dFC数据通常具有高维度和高噪声的特点，导致难以提取稳定准确的状态，这使得dFC分析的应用面临挑战。此外，在缺乏先验知识的情况下，确定模型阶数（即状态数量）也是一个难题。针对上述问题，我们提出了一种无需预定义状态数量并在跨模型阶数下提取稳定状态的新方法。研究有三个主要贡献：

      1. 本文提出了一种无模型阶数约束的状态提取方法，该方法不仅能保留多尺度状态信息，还显著提升了状态的稳定性。

      2. 在具有不同特征的合成数据集上的实验表明，所提方法能有效估算状态数量，并在状态提取的精度和稳定性上优于现有方法。

   3. 基于602名健康对照者和519名精神分裂症患者的功能磁共振成像数据，结果表明该方法不仅能够提取稳定的状态，而且在皮层下网络中识别出精神分裂症的可靠生物标志物。

 《Multi-subject Orthogonal Sparse Matrix Decomposition Method for Extracting Individual Brain Functional Networks》研究背景是大脑功能网络（Functional Networks, FNs）的提取是推动我们理解大脑功能的关键工作，为揭示认知和行为背后的神经机制提供了重要见解。近年来，研究者提出了多种基于数据驱动的功能网络分析方法，用于处理功能性磁共振成像（fMRI）数据。然而，为了确保跨被试的一致性，这些方法在群体水平分析中往往牺牲了个体特异性的差异。这种在群体一致性与个体差异之间的权衡，限制了对个体大脑功能网络的准确刻画。因此，本研究提出了一种无需复杂组分析的多被试正交稀疏矩阵分解（Multi-subject Orthogonal Sparse Matrix Decomposition）方法，该方法能够同时提取组水平和个体水平的大脑功能网络，并保持跨被试的一致性。研究有四个贡献：

1.无需复杂组分析，即可同时识别稳健的组水平功能网络和跨被试可比的个体功能网络。

2.提出了一种新颖的类正交约束，不仅可以增强功能网络之间的线性独立性，而且可以精确调控功能网络的空间尺度。

3.引入了一个对组功能网络的稀疏约束，以有效减少功能网络之间的空间重叠，获得稀疏化的表示。

4.在模拟数据上的实验结果表明，该方法表现出较低的参数敏感性，并能有效估计个体功能网络和时间序列；基于233名健康对照者和205名精神分裂症患者的多中心fMRI数据的实验表明了所提取功能网络的可重复性，验证了个体功能网络的跨被试一致性与个体差异性。