一种提升fMRI分析时间敏感性的插件式图神经网络
信号处理
2023-01-03 v1
摘要
基于学习的方法近来在高维功能磁共振成像（fMRI）时间序列分析中实现了性能飞跃。文献中常采用以脑区间功能连接（FC）特征为输入的深度学习模型。然而，许多模型关注扫描期间时间静态的FC特征，降低了对脑活动动态特征的敏感性。在此，我们描述一种可灵活集成到主流基于学习的fMRI模型中以提升其时间敏感性的插件式图神经网络。该提出的GraphCorr方法以脑区为节点、血氧水平依赖（BOLD）信号为节点输入，利用基于transformer编码器的节点嵌入模块来捕获BOLD信号的时间窗潜在表示。GraphCorr还利用滞后滤波模块，通过计算窗口化BOLD信号在一系列时间滞后下的互相关，来考虑跨节点的延迟交互。两模块捕获的信息通过图上执行的消息传递算法融合，并在输出处计算增强的节点特征。这些增强特征用于驱动后续的基于学习的模型，以更高的敏感性分析fMRI时间序列。在两个公开数据集上的全面演示表明，若干采用GraphCorr衍生的fMRI时间序列特征表示作为输入的先进图与卷积方法，其分类性能与可解释性均得到提升。
引用
@article{arxiv.2301.00439,
title = {A plug-in graph neural network to boost temporal sensitivity in fMRI analysis},
author = {Irmak Sivgin and Hasan A. Bedel and Şaban Öztürk and Tolga Çukur},
journal= {arXiv preprint arXiv:2301.00439},
year = {2023}
}