超越解剖学: 通过功能分割和图注意力网络实现 rs-fMRI 中 ASD 的可解释分类
计算机视觉与模式识别
2026-03-04 v1
摘要
解剖学脑分割在 rs-fMRI 基础的自闭光谱障碍 (ASD) 分类中占主导地位，但其刚性边界可能无法捕捉特征于 ASD 的独特连接模式。我们提出了一种基于图的深度学习框架，对比解剖学 (AAL, 116 个 ROI) 和功能派生 (MSDL, 39 个 ROI) 分割策略在 ABIDE I 数据集上的表现。我们的 FSL 预处理管道处理跨 400 个平衡受试者的多站点异质性问题，并采用站点分层 70/15/15 的划分以防止数据泄漏。在训练折叠中引入高斯噪声数据增强，将样本数从 280 扩展到 1,680。三个阶段的管道依次从以 AAL 为基线的 GCN (准确率 73.3%, AUC=0.74)、优化后的 MSDL-GCN (84.0%, AUC=0.84)、图注意力网络集成 (准确率 95.0%, AUC=0.98) 进行，超过了 ABIDE I 上所有最新的基于图神经网络的基准方法。10.7 分的分割方案替换收益表明，功能分割是最具影响力的建模决策。梯度基盒和 GNNExplainer 分析在默认模式网络的核心节点——后扣带回积区和尾素区——处收敛，验证模型决策反映了 ASD 的神经病理学，而非获取伪影。所有代码和数据集将在接受后公开发布。
引用
@article{arxiv.2603.02518,
title = {Beyond Anatomy: Explainable ASD Classification from rs-fMRI via Functional Parcellation and Graph Attention Networks},
author = {Syeda Hareem Madani and Noureen Bibi and Adam Rafiq Jeraj and Sumra Khan and Anas Zafar and Rizwan Qureshi},
journal= {arXiv preprint arXiv:2603.02518},
year = {2026}
}
备注
10 pages