基于拓扑感知对抗图神经网络的脑多图预测
机器学习
2021-05-07 v1
摘要
由磁共振成像（MRI）等医学扫描构建的脑图（即连接组）已成为刻画人脑异常变化的重要工具。由于多模态 MRI 的采集成本高、处理时间长，现有基于生成对抗网络（GAN）的深度学习框架侧重于从少数已有模态预测缺失的多模态医学图像。尽管脑图有助于更好地理解特定障碍如何改变脑连接特征，但从单一源脑图合成目标脑多图（即多个脑图）的研究明显匮乏。此外，现有图生成工作通常为每个目标域学习一个模型，这限制了其联合预测多个目标域的可扩展性。而且，它们在考虑图的全局拓扑尺度（即图连接结构）的同时，忽视了节点尺度的局部拓扑（例如，节点在图中的中心性）。为克服这些局限，我们提出拓扑感知图 GAN 架构（topoGAN），其从单一脑图联合预测多个脑图，同时保留各目标图的拓扑结构。其三大关键创新为：（i）设计新颖的图对抗自编码器，从单一脑图预测多个脑图；（ii）对编码后的源图进行聚类以处理 GAN 的模态崩塌问题，并提出簇特定解码器；（iii）引入拓扑损失以迫使预测出拓扑合理的目标脑图。在五个目标域上的实验结果表明，相较于基线方法，我们的方法在从单图进行脑多图预测方面表现更优。
引用
@article{arxiv.2105.02565,
title = {Brain Multigraph Prediction using Topology-Aware Adversarial Graph Neural Network},
author = {Alaa Bessadok and Mohamed Ali Mahjoub and Islem Rekik},
journal= {arXiv preprint arXiv:2105.02565},
year = {2021}
}