GDAIP：面向个体脑区割裂的图基域自适应框架
人工智能
2025-07-30 v1
摘要
近期的深度学习方法在从功能性磁共振成像 (fMRI) 中学习个体脑区割裂方面显示出前景。然而，大多数现有方法假设跨域数据分布一致，难以应对现实跨数据集情景中的域迁移。为解决这一挑战，我们提出了基于图注意力网络 (GAT) 的最小熵 (MME) 域自适应框架（GDAIP），用于个体脑区割裂。我们在群层和个体层构建交叉数据集脑图。通过利用半监督训练和对来自目标脑图的无标记顶点的预测熵的对抗优化，从群层脑图适配参考轴谱到个体脑图，实现跨数据集情景下的个体脑区割裂。我们使用脑区割裂可视化、Dice系数和功能同质性进行方法评估。实验结果表明，GDAIP 能够产生具有拓扑合理边界、强跨会话一致性和反映功能组织能力的个体脑区割裂。
引用
@article{arxiv.2507.21727,
title = {GDAIP: A Graph-Based Domain Adaptive Framework for Individual Brain Parcellation},
author = {Jianfei Zhu and Haiqi Zhu and Shaohui Liu and Feng Jiang and Baichun Wei and Chunzhi Yi},
journal= {arXiv preprint arXiv:2507.21727},
year = {2025}
}