基于图的脑网络异常预测方法
图像与视频处理
2019-07-18 v7 机器学习
机器学习
摘要
功能神经影像技术中的静息态功能磁共振成像（rs-fMRI）通过绘制脑连接拓扑（即连接拓扑映射）已改进了脑疾病与功能障碍研究。由于健康与不健康脑区及功能之间存在细微差异，随着评估标准的增多，探究人脑功能与结构网络的复杂拓扑是一项复杂任务。不规则图深度学习应用已广泛扩展至理解与人类认知功能相关的基因表达及分布式空间模式，因为脑神经元网络可动态维持具有不同活动模式和功能连接的各种脑解决方案，这些应用也可能涉及以节点为中心和以图为中心的双重任务。在本文中，我们提出了一种新颖的个体生成模型与高阶图分析方法，用于识别在执行特定任务时缺乏正常连接的脑区兴趣区域。在此，我们提出了一种具有超球面分布器的高阶图自编码器（GAE）框架，用于脑影像研究中的功能数据分析，其学习大规模数据中强非刚性图底层的非欧几里得结构。此外，我们区分了异常脑连接中相关的可能相关模式。我们的发现将展示受影响区域间的相关程度及其随时间同时发生的情况，可用于诊断脑疾病或揭示神经系统根据输入刺激在各方面脑拓扑（脑可塑性）上的修改能力。
引用
@article{arxiv.1904.07163,
title = {Graph-Based Method for Anomaly Prediction in Brain Network},
author = {Jalal Mirakhorli and Hamidreza Amindavar and Mojgan Mirakhorli},
journal= {arXiv preprint arXiv:1904.07163},
year = {2019}
}