用于脑功能连接生成的图正则流形感知条件 Wasserstein GAN
机器学习
2022-12-13 v1 计算机视觉与模式识别
神经元与认知
摘要
脑功能连接 (functional connectivity, FC) 的常用度量（包括协方差与相关矩阵）是 residing 于锥形黎曼流形上的半正定 (semi-positive definite, SPD) 矩阵。尽管标准生成对抗网络 (GANs) 在欧氏值数据生成上取得显著成功，但将其用于生成流形值 FC 数据忽视了其固有的 SPD 结构，从而忽视了真实 FC 中边的相互关联性。我们提出一种新颖的图正则流形感知条件 Wasserstein GAN (GR-SPD-GAN)，用于在 SPD 流形上生成 FC 数据，可保留全局 FC 结构。具体而言，我们在对抗训练下，以类别标签为条件，优化真实与生成 SPD 数据间的广义 Wasserstein 距离。所得生成器可合成与不同类别脑网络（例如脑疾病或健康对照）相关联的新 SPD 值 FC 矩阵。此外，我们在 SPD 流形及其切空间上引入额外的基于群体图的正则化项，以鼓励生成器尊重真实数据中 FC 模式的被试间相似性。这也有助于避免模式崩溃并产生更稳定的 GAN 训练。在重度抑郁障碍 (major depressive disorder, MDD) 静息态功能磁共振成像 (fMRI) 数据上的评估表明，定性与定量结果均显示所提 GR-SPD-GAN 在生成更真实的基于 fMRI 的 FC 样本上明显优于若干最先进的 GANs。当应用于 MDD 识别的 FC 数据增强时，在竞争 GANs 中，使用我们方法生成的增强数据训练的分类模型相较无数据增强的基线取得了最大的分类准确率提升幅度。
引用
@article{arxiv.2212.05316,
title = {Graph-Regularized Manifold-Aware Conditional Wasserstein GAN for Brain Functional Connectivity Generation},
author = {Yee-Fan Tan and Chee-Ming Ting and Fuad Noman and Raphaël C. -W. Phan and Hernando Ombao},
journal= {arXiv preprint arXiv:2212.05316},
year = {2022}
}
备注
10 pages, 4 figures