基于图卷积生成模型的大型图贝叶斯优化：在心脏模型个性化中的应用
图像与视频处理
2020-06-04 v2 计算机视觉与模式识别
机器学习
应用统计
机器学习
摘要
心脏模型的个性化涉及在非欧几里得几何心脏模型上空间变化的器官组织属性的优化。为表示组织属性的高维（HD）未知量，现有工作大多依赖于几何模型的低维（LD）划分。虽然这利用了心脏的几何结构，但其表达能力有限，难以达到足以有效优化的小划分。近来，变分自编码器（VAE）被用作更具表达力的生成模型，将HD优化嵌入LD潜空间。然而其欧几里得性质忽略了心脏中丰富的几何信息。本文提出一种新颖的图卷积VAE，以实现非欧几里得数据的生成建模，并利用它将大型图的贝叶斯优化嵌入小型潜空间。该方法通过引入能够融合底层几何的空间邻近性与层次组合性知识的具表达力的生成模型，弥补了以往工作的不足。它进一步允许跨不同几何结构迁移所学特征，这是常规VAE无法做到的。我们在心脏电生理模型中估计组织兴奋性的合成与真实数据实验中展示了所提方法的这些优势。
引用
@article{arxiv.1907.01406,
title = {Bayesian Optimization on Large Graphs via a Graph Convolutional Generative Model: Application in Cardiac Model Personalization},
author = {Jwala Dhamala and Sandesh Ghimire and John L. Sapp and B. Milan Horacek and Linwei Wang},
journal= {arXiv preprint arXiv:1907.01406},
year = {2020}
}
备注
9 pages, 5 figures, MICCAI