FBNETGEN：通过功能脑网络生成实现基于 GNN 的任务感知 fMRI 分析
机器学习
2022-05-31 v2 神经与进化计算
图像与视频处理
神经元与认知
摘要
功能磁共振成像（fMRI）是研究脑功能最常见的成像方式之一。神经科学近期研究强调，从 fMRI 数据构建的功能脑网络在临床预测方面具有巨大潜力。然而，传统功能脑网络含有噪声、对下游预测任务无感知，且与深度图神经网络（GNN）模型不兼容。为充分释放 GNN 在基于网络的 fMRI 分析中的能力，我们开发了 FBNETGEN，一种通过深度脑网络生成实现任务感知且可解释的 fMRI 分析框架。具体而言，我们在特定预测任务指导下，将（1）显著感兴趣区域（ROI）特征提取、（2）脑网络生成以及（3）基于 GNN 的临床预测，构建为端到端可训练模型。在此过程中，关键新颖组件是图生成器，其学习将原始时间序列特征转换为面向任务的脑网络。我们的可学习图还通过高亮与预测相关的脑区域提供独特解释。在两个数据集（即近期发布且当前最大公开 fMRI 数据集 Adolescent Brain Cognitive Development（ABCD）与广泛使用的 fMRI 数据集 PNC）上的综合实验，证明了 FBNETGEN 的优越有效性与可解释性。实现代码见 https://github.com/Wayfear/FBNETGEN。
引用
@article{arxiv.2205.12465,
title = {FBNETGEN: Task-aware GNN-based fMRI Analysis via Functional Brain Network Generation},
author = {Xuan Kan and Hejie Cui and Joshua Lukemire and Ying Guo and Carl Yang},
journal= {arXiv preprint arXiv:2205.12465},
year = {2022}
}
备注
This paper has been accepted for presentation in MIDL 2022