基于图 Graph-GCCA 与对比学习的脑认知指纹提取
计算机视觉与模式识别
2024-09-24 v1
摘要
许多纵向神经影像学研究旨在通过研究大脑功能与认知之间的动态交互来增进对大脑衰老和疾病的理解。这样做需要准确编码它们之间的多维关系，同时兼顾个体随时间的变异性。为此，我们提出了一种无监督学习模型（称为 \underline{\textbf{Co}}ntrastive Learning-based \underline{\textbf{Gra}}ph Generalized \underline{\textbf{Ca}}nonical Correlation Analysis (CoGraCa)），该模型通过图注意力网络和广义典型相关分析来编码它们的关系。为了创建反映每个人独特神经和认知表型的脑认知指纹，该模型还依赖于个性化和多模态对比学习。我们将 CoGraCa 应用于由健康个体组成的纵向数据集，该数据集包含在每次参与者的多次访问中采集的静息态功能 MRI 和认知测量。生成的指纹有效捕捉了显著的个体差异，并在识别性别和年龄方面优于当前的单模态和基于 CCA 的多模态模型。更重要的是，我们的编码提供了这两种模态之间可解释的交互。
引用
@article{arxiv.2409.13887,
title = {Brain-Cognition Fingerprinting via Graph-GCCA with Contrastive Learning},
author = {Yixin Wang and Wei Peng and Yu Zhang and Ehsan Adeli and Qingyu Zhao and Kilian M. Pohl},
journal= {arXiv preprint arXiv:2409.13887},
year = {2024}
}