基于图神经网络跨数据集插补脑测量值
机器学习
2023-08-22 v1
摘要
公开的结构性MRI数据集可能不包含对训练机器学习模型十分重要的脑感兴趣区(ROI)特定测量值。例如，Adolescent Brain Cognitive Development (ABCD) Study未发布Freesurfer计算的曲率分数。可通过直接对数据集重新应用Freesurfer解决该问题。然而，此方法通常计算与人工密集(如需质量控制)。另一种方法是借助深度学习插补缺失测量值。但现有最先进方法设计用于估计随机缺失值而非整个测量值。因此我们提出将插补问题重构为在另一(公开)数据集上的预测任务，该数据集包含缺失测量值且与目标数据集共享部分ROI测量值。随后训练深度学习模型从共享测量值预测缺失测量值，并应用于其他数据集。我们提出的算法通过图神经网络(GNN)建模ROI测量值间依赖关系，并将脑测量值中的人口统计学差异(如性别)通过图编码输入并行架构来加以考虑。该架构同时优化图解码器以插补数值和分类器以预测人口统计学因素。我们将该方法称为人口统计学感知的基于图的插补(DAGI)，通过在National Consortium on Alcohol and Neurodevelopment in Adolescence (NCANDA, N=540)公开发布的数据上训练预测器，对ABCD(N=3760)中那些缺失的Freesurfer测量值进行插补测试……
引用
@article{arxiv.2308.09907,
title = {Imputing Brain Measurements Across Data Sets via Graph Neural Networks},
author = {Yixin Wang and Wei Peng and Susan F. Tapert and Qingyu Zhao and Kilian M. Pohl},
journal= {arXiv preprint arXiv:2308.09907},
year = {2023}
}
备注
Accepted at the 6th workshop on PRedictive Intelligence in Medicine (PRIME 2023) - MICCAI 2023