用于多模态脑影像神经认知衰退分析的双曲核图神经网络
机器学习
2025-07-08 v1 人工智能
摘要
多模态神经影像（如扩散张量成像（DTI）和静息态功能性 MRI（fMRI））通过捕捉脑区之间的结构或功能相互作用，提供了关于脑活动的互补视角。虽然已有研究表明融合这些多模态数据有助于检测由神经认知衰退引起的异常脑活动，但这些方法通常在欧几里得空间中实现，无法有效捕捉结构/功能脑网络的内在层次组织。本文提出了用于神经认知衰退分析的双曲核图融合（HKGF）框架。它包含多模态图构建模块、在双曲空间中通过一系列双曲核图神经网络（HKGNNs）编码脑图的图表示学习模块、用于有效融合多模态数据的跨模态耦合模块，以及用于下游预测的双曲神经网络。值得注意的是，HKGNNs 在双曲空间中表示图，以捕捉脑区之间的局部和全局依赖关系，同时保持脑网络的层次结构。 extensive 实验涉及超过 4000 名接受 DTI 和/或 fMRI 数据的受试者，表明 HKGF 在两种神经认知衰退预测任务中优于最先进的方法。HKGF 是一个通用的多模态数据分析框架，促进了结构/功能脑连接性变化客观量化与神经认知衰退之间的关联。
引用
@article{arxiv.2507.02908,
title = {Hyperbolic Kernel Graph Neural Networks for Neurocognitive Decline Analysis from Multimodal Brain Imaging},
author = {Meimei Yang and Yongheng Sun and Qianqian Wang and Andrea Bozoki and Maureen Kohi and Mingxia Liu},
journal= {arXiv preprint arXiv:2507.02908},
year = {2025}
}
备注
14 pages, 5 figures, 7 tables