基于多尺度图谱构建的层次图卷积网络用于功能连接脑疾病诊断
图像与视频处理
2022-09-26 v1 人工智能
计算机视觉与模式识别
神经元与认知
摘要
来自功能磁共振成像（fMRI）的功能连接网络（FCN）数据正日益用于脑疾病的诊断。然而，现有前沿研究通常使用某一空间尺度下的单一脑分区图谱构建 FCN，这在很大程度上忽略了层次方式中跨不同空间尺度的功能交互。在本研究中，我们提出一种新颖框架来进行多尺度 FCN 分析以诊断脑疾病。我们首先使用一组定义良好的多尺度图谱计算多尺度 FCN。随后，我们利用多尺度图谱中区域间具有生物学意义的脑层次关系，跨多个空间尺度执行节点池化，即“图谱引导池化”。据此，我们提出一种基于多尺度图谱的层次图卷积网络（MAHGCN），构建于图卷积与图谱引导池化的堆叠层之上，以从多尺度 FCN 中全面提取诊断信息。在来自 1792 名受试者的神经影像数据上的实验表明，我们提出的方法在阿尔茨海默病（AD）、AD 前驱期（即轻度认知障碍 [MCI]）以及自闭症谱系障碍（ASD）的诊断中有效，准确率分别为 88.9%、78.6% 和 72.7%。所有结果均显示我们所提方法相较其他竞争方法的显著优势。本研究不仅证明了利用深度学习赋能静息态 fMRI 进行脑疾病诊断的可行性，也凸显了多尺度脑层次中的功能交互值得被探索并整合进深度学习网络架构，以更好地理解脑疾病的神经病理学。
引用
@article{arxiv.2209.11232,
title = {Hierarchical Graph Convolutional Network Built by Multiscale Atlases for Brain Disorder Diagnosis Using Functional Connectivity},
author = {Mianxin Liu and Han Zhang and Feng Shi and Dinggang Shen},
journal= {arXiv preprint arXiv:2209.11232},
year = {2022}
}