基于图卷积聚合的发育与脑部疾病分类
计算机视觉与模式识别
2023-11-17 v2
摘要
尽管基于图卷积的方法已成为图表示学习的事实标准，但其在疾病预测任务中的应用仍相当有限，尤其是在神经发育与神经退行性脑部疾病的分类中。本文中，我们利用图采样中的聚合以及跳跃连接与恒等映射，引入了聚合器归一化图卷积网络。所提出的模型通过将成像与非成像特征分别纳入图节点与边中，学习有判别力的图节点表示，旨在增强预测能力并提供关于脑部疾病潜在机制的整体视角。跳跃连接使信息能从输入特征直接流向网络的后层，而恒等映射有助于在特征学习过程中保持图的结构信息。我们在两个大型数据集 Autism Brain Imaging Data Exchange (ABIDE) 与 Alzheimer's Disease Neuroimaging Initiative (ADNI) 上，针对自闭症谱系障碍与阿尔茨海默病的预测，将我们的模型与若干近期基线方法进行了基准比较。实验结果表明，在多项评价指标上我们的方法相较近期基线具有竞争力，在 ABIDE 与 ADNI 上分别相较图卷积网络在分类准确率上实现了 50% 与 13.56% 的相对提升。
引用
@article{arxiv.2311.07370,
title = {Classification of developmental and brain disorders via graph convolutional aggregation},
author = {Ibrahim Salim and A. Ben Hamza},
journal= {arXiv preprint arXiv:2311.07370},
year = {2023}
}