利用深度对抗网络归一化器预见脑图随时间演化
图像与视频处理
2020-09-24 v1 计算机视觉与模式识别
摘要
将脑演化预见为一个复杂高度互连的系统（广泛建模为图）对于在健康与疾病状态下映射不同感兴趣解剖区域（ROIs）间的动态交互至关重要。有趣的是，文献中脑图演化模型几乎缺失。在此我们设计了一种对抗式脑网络归一化器，将每个脑网络表示为一个固定的以群体为驱动的连结模板的变换。这种相对于固定参考的图归一化为可靠识别与基线时间点测试样本最相似的训练样本（即脑图）铺平了道路。测试演化轨迹随后将由所选训练图及其相应演化轨迹所张成。我们的预测框架基于几何深度学习，其天然在图上操作并良好保持拓扑性质。具体而言，我们提出了首个基于图的生成对抗网络（gGAN），其不仅学习如何针对固定连结脑模板（CBT）（即选择性捕捉脑群体中最常见特征的脑模板）归一化脑图，还学习脑图的高阶表示亦称嵌入。我们利用这些嵌入计算训练与测试受试者间的相似性，从而得以挑选基线时间点最接近的 training 受试者以预测测试脑图随时间的演化。一系列针对若干对比方法的基准测试表明，我们提出的方法在使用单一基线时间点时实现了最低的脑疾病演化预测误差。我们的 gGAN 代码可在 http://github.com/basiralab/gGAN 获取。
引用
@article{arxiv.2009.11166,
title = {Foreseeing Brain Graph Evolution Over Time Using Deep Adversarial Network Normalizer},
author = {Zeynep Gurler and Ahmed Nebli and Islem Rekik},
journal= {arXiv preprint arXiv:2009.11166},
year = {2020}
}