Deep Graph Normalizer：一种用于估计连接脑模板的几何深度学习方法

连接脑模板（CBT）是脑网络群体的基于图的归一化表示，也被视为平均连接组。CBT 是在典型和非典型群体中创建具有代表性的脑连接图谱的强大工具。特别是，为多视图脑网络（MVBN）群体估计一个居中且具代表性的 CBT 更具挑战性，因为这些网络位于复杂的流形上，且没有简单的方法来融合不同的异构网络视图。除了少数近期假设连接组之间关系主要为线性的工作外，该问题仍未被探索。然而，这种假设无法捕捉个体间复杂的模式和非线性变化。此外，现有方法仅由顺序的 MVBN 处理模块组成，没有任何反馈机制，导致误差累积。为了解决这些问题，我们提出了 Deep Graph Normalizer（DGN），这是首个通过将 MVBN 群体整合为单一连接脑模板来对其进行归一化的几何深度学习（GDL）架构。我们的端到端 DGN 利用图卷积神经网络，学习如何融合多视图脑网络，同时捕捉跨受试者的非线性模式并保留脑图拓扑属性。我们还引入了一个随机加权损失函数，它同时作为正则化项，以最小化 MVBN 群体与估计 CBT 之间的距离，从而强制其居中性。我们证明，在代表性和判别性（即识别表征每个脑网络群体的独特连接性指纹）方面，DGN 在小规模和大规模连接组数据集上估计 CBT 时均显著优于现有的 state-of-the-art 方法。