用于 fMRI 建模的动态自适应时空图卷积
机器学习
2021-09-28 v1 神经元与认知
摘要
近年来，将大脑表征为一个功能网络，其中脑区之间的连接由时间序列上的相关值表示，这种方法非常流行。尽管这种表征增进了我们对大脑功能的理解，但它代表了一种简化的大脑连接模型，而大脑连接具有复杂的动态时空特性。对数据的过度简化可能会阻碍应用先进非线性特征提取算法的优势。为此，我们提出了一种动态自适应时空图卷积（DAST-GCN）模型，以克服预定义的、基于静态相关性的图结构的缺点。所提出的方法允许通过逐层图结构学习模块端到端地推断脑区之间的动态连接，同时在监督学习框架中将大脑连接映射到表型。这利用了模型、数据和目标的计算能力来表征大脑连接，并可能有助于识别所关注监督目标的潜在生物标志物。我们在 UKBiobank 数据集上评估了我们的流程，用于从静息态功能扫描中进行年龄和性别分类任务，并表明其性能优于当前神经影像学中采用的传统线性和非线性方法。此外，我们通过将预训练的图结构迁移到独立数据集以执行相同任务，评估了所推断图结构的泛化能力。我们的结果证明了该图结构对不同扫描参数和人口统计信息的任务鲁棒性。
引用
@article{arxiv.2109.12517,
title = {Dynamic Adaptive Spatio-temporal Graph Convolution for fMRI Modelling},
author = {Ahmed El-Gazzar and Rajat Mani Thomas and Guido van Wingen},
journal= {arXiv preprint arXiv:2109.12517},
year = {2021}
}
备注
Accepted at International Workshop on Machine Learning in Clinical Neuroimaging (MLCN2021)