一种用于动态图表示学习并应用于脑疾病识别的深度概率时空框架
机器学习
2024-11-12 v4
摘要
近期，基于功能连接（FC）的脑连接组分类模式识别技术应用正逐渐转向关注脑连接随时间演变的非欧几里得拓扑与动态特性。本文提出一种深度时空变分贝叶斯（DSVB）框架，用于学习动态FC网络中的时变拓扑结构，以识别人类被试的自闭症谱系障碍（ASD）。该框架结合空间感知循环神经网络与基于注意力的消息传递机制，以捕捉动态FC网络中丰富的时空模式。为克服在有限训练数据集上的模型过拟合，引入对抗训练策略来学习能良好泛化至未见脑网络的图嵌入模型。在ABIDE静息态功能磁共振成像数据集上的评估表明，我们所提框架在识别ASD患者方面大幅优于最先进的方法。利用DSVB学习的嵌入进行的动态FC分析揭示了ASD与健康对照在脑网络连接模式及脑状态切换动态上的明显组间差异。代码见 https://github.com/Monash-NeuroAI/Deep-Spatiotemporal-Variational-Bayes。
引用
@article{arxiv.2302.07243,
title = {A Deep Probabilistic Spatiotemporal Framework for Dynamic Graph Representation Learning with Application to Brain Disorder Identification},
author = {Sin-Yee Yap and Junn Yong Loo and Chee-Ming Ting and Fuad Noman and Raphael C. -W. Phan and Adeel Razi and David L. Dowe},
journal= {arXiv preprint arXiv:2302.07243},
year = {2024}
}
备注
Accepted at the International Joint Conference on Artificial Intelligence (IJCAI) 2025