图卷积网络中用于脑表面分析的可学习池化
计算机视觉与模式识别
2019-11-25 v1
摘要
脑表面分析对神经科学至关重要，然而大脑皮层的复杂几何结构阻碍了该任务的计算方法。困难源于以欧氏空间表示的 3D 成像数据与高度折叠的脑表面非欧几何之间的不一致。机器学习的最新进展使得神经网络可用于非欧空间。这些促进了表面数据的学习，但池化策略常受限于单一固定图。本文提出一种新的可学习图池化方法，用于处理多个表面值数据以输出基于被试的信息。所提方法通过学习基于图谱嵌入的图节点内在聚合而创新。我们在两个大规模基准数据集上通过深入实验阐明了我们方法的优势。该池化策略的灵活性在四个不同预测任务上评估，即被试性别分类、皮层区域尺寸回归、阿尔茨海默病阶段分类和脑年龄回归。我们的实验证明了我们的可学习池化方法相对于图卷积网络其他池化技术的优越性，其结果改进了脑表面分析中的最优水平。
引用
@article{arxiv.1911.10129,
title = {Learnable Pooling in Graph Convolution Networks for Brain Surface Analysis},
author = {Karthik Gopinath and Christian Desrosiers and Herve Lombaert},
journal= {arXiv preprint arXiv:1911.10129},
year = {2019}
}