一种融合功能与结构连接的异构图神经网络用于 MCI 诊断
计算机视觉与模式识别
2024-11-14 v1 人工智能
摘要
与脑疾病相关的大脑连接改变在静息态功能成像（rs-fMRI）和扩散张量成像（DTI）中已被广泛报道。虽然已提出许多基于图神经网络（GNN）的双模态融合方法，但它们通常遵循同构融合方式，忽略了双模态信息的丰富异质性。为解决这一问题，我们提出了一种基于异构图神经网络（HGNN）融合功能与结构连接的新方法，以更好地利用双模态图像中的丰富异质性。我们首先利用 rs-fMRI 和 DTI 提供的血氧水平依赖和白质结构信息建立同构元路径，捕捉同一模态内的节点关系。同时，我们提出基于结构-功能耦合和脑社区搜索建立异构元路径，以捕捉跨模态节点间的关系。其次，我们进一步引入一种异构图池化策略，自动平衡同构与异构元路径，有效利用异质信息并防止池化后的特征混淆。第三，基于异构图的灵活性，我们提出一种异构图数据增强方法，可方便地解决临床诊断中常见的样本不平衡问题。我们在 ADNI-3 数据集上评估了该方法用于轻度认知障碍（MCI）诊断。实验结果表明，所提方法有效且优于其他算法，平均分类准确率达到 93.3%。
引用
@article{arxiv.2411.08424,
title = {A Heterogeneous Graph Neural Network Fusing Functional and Structural Connectivity for MCI Diagnosis},
author = {Feiyu Yin and Yu Lei and Siyuan Dai and Wenwen Zeng and Guoqing Wu and Liang Zhan and Jinhua Yu},
journal= {arXiv preprint arXiv:2411.08424},
year = {2024}
}