用于预测阿尔茨海默病异常连接的先验引导对抗表示学习与超图感知网络
机器学习
2021-10-19 v1 人工智能
计算机视觉与模式识别
图像与视频处理
摘要
阿尔茨海默病以其进行性退化过程中大脑结构连接和功能连接的改变为特征。现有的辅助诊断方法已经完成了分类任务，但其中很少能准确评估脑连接的变化特征。在本工作中，提出了一种先验引导对抗表示学习与超图感知网络（PGARL-HPN），以利用三模态医学图像预测异常脑连接。具体而言，从解剖学知识中估计先验分布，利用对抗策略引导多模态表示学习。同时，进一步利用成对协作判别器结构来缩小表示分布的差异。此外，开发了超图感知网络，以有效融合学习到的表示，同时在多模态图像内部和图像之间建立高阶关系。实验结果表明，所提出的模型在分析和预测阿尔茨海默病进展方面优于其他相关方法。更重要的是，所识别出的异常连接与先前的神经科学发现有部分一致。所提出的模型能够评估阿尔茨海默病不同阶段异常脑连接的特征，这有助于认知疾病研究和早期治疗。
引用
@article{arxiv.2110.09302,
title = {A Prior Guided Adversarial Representation Learning and Hypergraph Perceptual Network for Predicting Abnormal Connections of Alzheimer's Disease},
author = {Qiankun Zuo and Baiying Lei and Shuqiang Wang and Yong Liu and Bingchuan Wang and Yanyan Shen},
journal= {arXiv preprint arXiv:2110.09302},
year = {2021}
}