紧凑且强大：利用图神经网络与边卷积进行医学图像分类
图像与视频处理
2023-07-25 v1 计算机视觉与模式识别
机器学习
摘要
基于图的神经网络模型因能揭示实体间原本难以识别的潜在拓扑关系，在表示学习领域日益受到关注。这些模型已被应用于涵盖药物发现、蛋白质相互作用、语义分割和流体动力学研究在内的多种领域。在本研究中，我们探究图神经网络（GNNs）用于医学图像分类的潜力。我们引入一种结合 GNNs 与边卷积的新模型，利用 RGB 通道特征值的互联性来强表征关键图节点间的连接。我们提出的模型不仅与最先进的深度神经网络（DNNs）性能相当，且参数量减少 1000 倍，从而降低了训练时间与数据需求。我们将所提图卷积神经网络（GCNN）与预训练 DNNs 在 MedMNIST 数据集类别分类上比较，揭示了 GNNs 在医学图像分析中的良好前景。我们的结果也鼓励在医学成像领域进一步探索如图注意力网络（GAT）与图自编码器之类的高级图基模型。相较于更简单的 GCNNs，所提模型在语义分割与图像分类等任务上产生更可靠、可解释且准确的结果。
引用
@article{arxiv.2307.12790,
title = {Compact & Capable: Harnessing Graph Neural Networks and Edge Convolution for Medical Image Classification},
author = {Aryan Singh and Pepijn Van de Ven and Ciarán Eising and Patrick Denny},
journal= {arXiv preprint arXiv:2307.12790},
year = {2023}
}