HDGL：一种用于脑疾病分类的分层动态图表示学习模型
机器学习
2025-02-19 v1 神经元与认知
摘要
人脑可被视为复杂网络，由多个脑区组成，这些脑区持续相互交换信息，形成脑网络图，并从静息态功能磁共振成像（rs-fMRI）中提取节点和边。因此，该图有可能描绘在脑疾病影响下出现的异常模式。迄今为止，大量研究试图为脑网络图寻找嵌入表示，进而将脑疾病样本与健康样本分类，这些研究存在如下局限：未考虑样本间关系、未利用表型信息、缺乏时间分析、使用静态功能连接（FC）而非动态功能连接、以及使用固定图结构。我们提出一种分层动态图表示学习（HDGL）模型，这是首个旨在解决上述所有挑战的模型。HDGL包含两级，第一级构建脑网络图并学习其空间与时间嵌入，第二级形成群体图并在嵌入学习后进行分类。此外，基于这两级的训练方式，我们引入了四种方法，其中部分方法用于降低内存复杂度。我们在ABIDE和ADHD-200数据集上评估了所提模型的性能，结果表明该模型在多项评价指标上优于若干SOTA模型。
引用
@article{arxiv.2311.02903,
title = {HDGL: A hierarchical dynamic graph representation learning model for brain disorder classification},
author = {Parnian Jalali and Mehran Safayani},
journal= {arXiv preprint arXiv:2311.02903},
year = {2025}
}