用于脑网络结构与功能联合嵌入的保社区图卷积方法
机器学习
2019-11-12 v1 图像与视频处理
机器学习
摘要
鉴于对人脑组织理解、神经疾病研究和临床诊断应用的关键意义，脑网络已受到相当关注。结构脑网络（如 DTI）与功能脑网络（如 fMRI）是主要的研究对象。现有多数脑网络分析工作聚焦于结构或功能连接之一，无法利用彼此的互补信息。尽管已有多视图学习方法被提出以从两个网络（或视图）中学习，这些方法旨在达成多视图间的一致，从而可能忽略各视图的固有特性。如何联合从结构脑网络与功能脑网络中学习表示，同时保留其固有属性，是一个关键问题。本文提出一种孪生保社区图卷积网络（SCP-GCN）框架，以学习脑网络的结构与功能联合嵌入。具体而言，我们利用图卷积学习结构与功能联合嵌入，其中图结构由结构连接定义，节点特征来自功能连接。此外，我们提出在图卷积中通过在学习过程中考虑社区内与社区间特性来保留脑网络的社区结构。进一步，我们采用孪生架构建模成对相似性学习以引导学习过程。为评估所提方法，我们在两个真实脑网络数据集上进行了充分实验。实验结果证明了该方法在神经疾病分析的结构与功能联合嵌入中的优越性能，表明其具有临床应用的良好价值。
引用
@article{arxiv.1911.03583,
title = {Community-preserving Graph Convolutions for Structural and Functional Joint Embedding of Brain Networks},
author = {Jiahao Liu and Guixiang Ma and Fei Jiang and Chun-Ta Lu and Philip S. Yu and Ann B. Ragin},
journal= {arXiv preprint arXiv:1911.03583},
year = {2019}
}