基于T1-MRI脑网络的自适应关键子图挖掘用于认知障碍转化预测
计算机视觉与模式识别
2024-06-28 v2
摘要
预测向早期痴呆的转化对于减缓其进展至关重要，但由于认知障碍和脑结构变化细微，这仍然具有挑战性。传统的T1加权磁共振成像(T1-MRI)研究侧重于识别脑萎缩区域，但往往未能解决它们之间复杂的连接性问题。这一局限性凸显了关注区域间连接性以全面理解大脑复杂网络的必要性。此外，迫切需要能够自适应地保留和提取关键信息的方法，特别是针对脑网络的专门子图挖掘技术。这些对于开发揭示脑结构变化及其拓扑结构关键空间影响的高质量特征表示至关重要。在本文中，我们提出了Brain-SubGNN，一种新颖的图表示网络，用于基于T1-MRI挖掘和增强关键子图。该网络提供了子图级别的解释，增强了图分析的可解释性和洞察力。该过程首先提取节点特征和节点间的相关矩阵，以构建面向任务的脑网络。然后，Brain-SubGNN自适应地识别和增强关键子图，捕获环路和邻居子图。该方法反映了环路拓扑和局部变化，指示了长程连接，并保持了局部和全局的脑属性。大量实验验证了Brain-SubGNN的有效性和优势，展示了其作为理解和诊断早期痴呆的有力工具的潜力。源代码可在https://github.com/Leng-10/Brain-SubGNN获取。
引用
@article{arxiv.2403.13338,
title = {Adaptive Critical Subgraph Mining for Cognitive Impairment Conversion Prediction with T1-MRI-based Brain Network},
author = {Yilin Leng and Wenju Cui and Bai Chen and Xi Jiang and Shuangqing Chen and Jian Zheng},
journal= {arXiv preprint arXiv:2403.13338},
year = {2024}
}
备注
20 pages