基于时空注意力学习脑连接组的动态图表示
计算机视觉与模式识别
2021-10-22 v2 机器学习
神经元与认知
摘要
大脑各区域间的功能连接（FC）可通过功能神经影像模态测量的时间相关程度来评估。基于这些连接构成网络的事实，基于图的人脑连接组分析方法已为理解人脑功能提供了洞见。能够从高结构数据学习表示的图神经网络（GNN）的发展，引发了学习脑连接组图表示的热潮。尽管近期将 GNN 应用于 FC 网络的尝试显示出有前景的结果，但仍存在一个普遍局限：它们通常未纳入随时间波动的 FC 网络动态特性。此外，少数尝试将动态 FC 作为 GNN 输入的研究报告称性能较静态 FC 方法下降，且未提供时间可解释性。在此，我们提出 STAGIN，一种利用时空注意力学习脑连接组动态图表示的方法。具体而言，将脑图的时间序列输入 STAGIN 以获得动态图表示，同时新颖的 READOUT 函数与 Transformer 编码器分别通过注意力提供空间与时间可解释性。在 HCP-Rest 与 HCP-Task 数据集上的实验展示了我们所提方法的卓越性能。对时空注意力的分析也提供了与神经科学认知一致的解释，进一步验证了我们的方法。代码见 https://github.com/egyptdj/stagin
引用
@article{arxiv.2105.13495,
title = {Learning Dynamic Graph Representation of Brain Connectome with Spatio-Temporal Attention},
author = {Byung-Hoon Kim and Jong Chul Ye and Jae-Jin Kim},
journal= {arXiv preprint arXiv:2105.13495},
year = {2021}
}
备注
Accepted for NeurIPS 2021