基于个体感知下采样与多模态学习的自闭症谱系障碍识别
图像与视频处理
2021-10-26 v4 计算机视觉与模式识别
摘要
自闭症谱系障碍（ASD）是一组影响患者社交能力的神经发育疾病。近年来，许多研究采用深度学习通过功能磁共振成像（fMRI）诊断这一脑功能异常。然而，现有方法仅关注异常脑功能连接而忽略了区域活动的影响。由于这种有偏的先验知识，以往的诊断模型受限于站点间测量异质性与个体间表型差异。为解决此问题，我们提出一种新颖的 fMRI 特征提取方法，可学习关于功能连接与区域活动的全脑网络的个性化低分辨率表示。具体而言，我们将脑影像抽象为图结构，并通过分层图池化直接下采样为子结构。为在表型信息下进一步重校准所提取特征的分布，我们随后将稀疏特征向量嵌入群体图中，其中隐含的受试者间异质性与同质性被显式表达为社群间与社群内连接差异，并利用图卷积网络学习节点嵌入。通过这些方式，我们的框架可直接高效地从整个 fMRI 提取特征，并感知隐含的个体间差异。我们在 ABIDE-I 数据集上以 10 折交叉验证评估了框架。该模型取得了 87.62\% 的平均分类准确率与 0.92 的平均 AUC，优于当前最优方法。
引用
@article{arxiv.2109.09129,
title = {Identifying Autism Spectrum Disorder Based on Individual-Aware Down-Sampling and Multi-Modal Learning},
author = {Li Pan and Jundong Liu and Mingqin Shi and Chi Wah Wong and Kei Hang Katie Chan},
journal= {arXiv preprint arXiv:2109.09129},
year = {2021}
}
备注
for code and support documents, see https://github.com/jhonP-Li/ASD_GP_GCN