基于对抗图神经网络的大脑图超分辨率及其在功能脑连接中的应用
图像与视频处理
2021-05-04 v1 计算机视觉与模式识别
机器学习
神经元与认知
摘要
近年来，随着不同分辨率神经影像数据集的激增，脑图像分析取得了实质性进展。尽管脑图像超分辨率研究在近年快速发展，但由于非欧几里得图数据的复杂性质，脑图超分辨率仍很少被研究。本文提出首个深度图超分辨率（GSR）框架，试图从具有 N 个节点（N < N'）的低分辨率（LR）脑图自动生成具有 N' 个节点（即解剖学感兴趣区（ROIs））的高分辨率（HR）脑图。首先，我们将 GSR 问题形式化为节点特征嵌入学习任务。一旦学习了 HR 节点的嵌入，脑 ROI 之间的成对连接强度便可通过基于新颖 Graph U-Net 架构的聚合规则导出。虽然 Graph U-Net 通常是节点聚焦架构，其图嵌入主要依赖节点属性，我们提出一种图聚焦架构，其中节点特征嵌入基于图拓扑。其次，受图谱理论启发，我们通过 GSR 层与两个图卷积网络层对低分辨率脑图结构与节点内容进行超分辨以打破 U-Net 架构的对称性，从而进一步学习 HR 图中的节点嵌入。第三，为处理真实与预测 HR 脑图之间的域偏移，我们引入对抗正则化以对齐二者分布。我们提出的 AGSR-Net 框架在从低分辨率预测高分辨率功能脑图方面优于其变体。我们的 AGSR-Net 代码已在 GitHub 上提供：https://github.com/basiralab/AGSR-Net。
引用
@article{arxiv.2105.00425,
title = {Brain Graph Super-Resolution Using Adversarial Graph Neural Network with Application to Functional Brain Connectivity},
author = {Megi Isallari and Islem Rekik},
journal= {arXiv preprint arXiv:2105.00425},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2009.11080