BrainMAP：用于高效脑疾病定位的多模态图学习
计算机视觉与模式识别
2025-06-16 v1 机器学习
神经与进化计算
摘要
近年来，利用图学习技术检测神经退行性疾病的研究激增。然而，现有的基于图的方法通常缺乏在全连接组中定位并提取驱动神经退行性病理的特定脑区域的能力。此外，近期关于多模态脑图模型的研究往往具有较高的计算复杂度，限制了其在资源受限设备上的实际应用。在本研究中，我们提出了 BrainMAP，一种新颖的多模态图学习框架，旨在精确且计算高效地识别受神经退行性疾病影响的脑区域。首先，BrainMAP 利用由 AAL 图谱引导的图谱驱动过滤方法，以精确定位并提取关键脑子图。与建模整个脑网络的最新 SOTA 方法不同，BrainMAP 通过聚焦于疾病相关子图，实现了 50% 以上的计算开销缩减。其次，我们采用先进的多模态融合过程，包含用于对齐功能磁共振成像（fMRI）和弥散张量成像（DTI）数据的跨节点注意力机制，并结合自适应门控机制动态混合并整合这些模态。实验结果表明，BrainMAP 在不牺牲预测准确性的前提下，在计算效率上优于 SOTA 方法。
引用
@article{arxiv.2506.11178,
title = {BrainMAP: Multimodal Graph Learning For Efficient Brain Disease Localization},
author = {Nguyen Linh Dan Le and Jing Ren and Ciyuan Peng and Chengyao Xie and Bowen Li and Feng Xia},
journal= {arXiv preprint arXiv:2506.11178},
year = {2025}
}
备注
6 pages, 5 figures