人群图构建方法与图神经网络用于脑龄回归的比较研究
机器学习
2023-09-27 v1 计算机视觉与模式识别
摘要
受试者的实际年龄与生物学脑龄之间的差异可作为神经退行性疾病的重要生物标志物，因此脑龄估计在临床环境中至关重要。将多模态信息纳入该估计的一种途径是通过人群图，其结合各类影像数据并捕捉群体中个体间的关联。在医学影像中，人群图已展现出有前景的结果，主要用于分类任务。在大多数情况下，图结构是预定义并在训练期间保持静态的。然而，提取人群图是一项非平凡的任务，并且会显著影响图神经网络（GNN）的性能，后者对图结构敏感。在本工作中，我们强调了有意义图构建的重要性，并实验了不同人群图构建方法及其对GNN在脑龄估计上性能的影响。我们使用同配度量和图可视化来获得关于所提取图结构的宝贵定量与定性见解。在实验评估中，我们利用UK Biobank数据集，其提供大量影像与非影像表型。我们的结果表明，对图结构高度敏感的架构（如Graph Convolutional Network (GCN)和Graph Attention Network (GAT)）难以应对低同配度图，而其他架构（如GraphSage和Chebyshev）在不同同配度比例下更为鲁棒。我们得出结论：静态图构建方法对于脑龄估计任务可能不足，并给出了替代研究方向的建议。
关键词
引用
@article{arxiv.2309.14816,
title = {A Comparative Study of Population-Graph Construction Methods and Graph Neural Networks for Brain Age Regression},
author = {Kyriaki-Margarita Bintsi and Tamara T. Mueller and Sophie Starck and Vasileios Baltatzis and Alexander Hammers and Daniel Rueckert},
journal= {arXiv preprint arXiv:2309.14816},
year = {2023}
}
备注
Accepted at GRAIL, MICCAI 2023