用于不确定性感知疾病预测的边变分图卷积网络
图像与视频处理
2020-09-08 v1 人工智能
计算机视觉与模式识别
摘要
对于能够互补地利用不同模态数据、同时研究受试者间关联以进行基于人群的疾病分析的计算模型，需求日益增长。尽管卷积神经网络在成像数据表示学习中取得了成功，这仍是一项极具挑战的任务。本文提出一个可推广的框架，能够自动整合人群中的成像数据与非成像数据，用于不确定性感知的疾病预测。其核心是一个具有变分边的可学习自适应人群图，我们从数学上证明它可与图卷积神经网络联合优化。为估计与图拓扑相关的预测不确定性，我们提出蒙特卡洛边丢弃(Monte-Carlo edge dropout)这一新概念。在四个数据库上的实验结果表明，我们的方法能持续且显著地提升对自闭症谱系障碍、阿尔茨海默病和眼部疾病的诊断准确率，表明其在利用多模态数据进行计算机辅助诊断方面的通用性。
引用
@article{arxiv.2009.02759,
title = {Edge-variational Graph Convolutional Networks for Uncertainty-aware Disease Prediction},
author = {Yongxiang Huang and Albert C. S. Chung},
journal= {arXiv preprint arXiv:2009.02759},
year = {2020}
}
备注
Accepted to MICCAI 2020