用于识别与步态障碍相关功能网络的可解释几何加权图注意力网络
机器学习
2023-07-26 v1 人工智能
图像与视频处理
神经元与认知
摘要
帕金森病（PD）的标志性症状之一是姿势反射的渐进性丧失，最终导致步态困难和平衡问题。识别与步态障碍相关的脑功能中断，对于更好地理解PD运动进展、从而推进更有效和个性化治疗方法的开发至关重要。在这项工作中，我们提出了一种可解释的几何加权图注意力神经网络（xGW-GAT），用于识别可预测PD个体步态困难进展的功能网络。xGW-GAT在MDS统一帕金森病评定量表（MDS-UPDRS）上预测多类步态障碍。我们这种计算和数据高效的模型将功能连接组表示为黎曼流形上的对称正定（SPD）矩阵，以显式编码整个连接组的成对交互，并基于此学习一个注意力掩码，从而产生个体和组水平的可解释性。应用于我们的PD个体静息态功能磁共振成像（rs-fMRI）数据集，xGW-GAT识别了PD中与步态障碍相关的功能连接模式，并提供了与运动障碍相关的功能子网络的可解释说明。我们的模型成功优于几种现有方法，同时揭示了临床相关的连接模式。源代码可在 https://github.com/favour-nerrise/xGW-GAT 获取。
引用
@article{arxiv.2307.13108,
title = {An Explainable Geometric-Weighted Graph Attention Network for Identifying Functional Networks Associated with Gait Impairment},
author = {Favour Nerrise and Qingyu Zhao and Kathleen L. Poston and Kilian M. Pohl and Ehsan Adeli},
journal= {arXiv preprint arXiv:2307.13108},
year = {2023}
}
备注
Accepted by the 26th International Conference on Medical Image Computing and Computer Assisted Intervention (MICCAI 2023). MICCAI Student-Author Registration (STAR) Award. 11 pages, 2 figures, 1 table, appendix. Source Code: https://github.com/favour-nerrise/xGW-GAT