学习建模脑结构连接组与功能连接组之间的关系
信号处理
2021-12-21 v1 机器学习
摘要
神经成像的最新进展以及来自网络数据的统计学习的算法创新，提供了一条整合脑结构与功能的独特途径，从而有助于在系统层面揭示大脑的一些组织原则。在此方向上，我们开发了一个有监督图表示学习框架，通过图编码器-解码器系统建模脑结构连接（SC）与功能连接（FC）之间的关系，其中SC作为输入来预测经验性FC。可训练的图卷积编码器捕获脑感兴趣区域之间直接或间接的相互作用（模拟实际的神经通信），并整合来自结构网络拓扑和节点（即区域特定）属性的信息。该编码器学习节点级SC嵌入，将其组合以生成（全脑）图级表示，用于重建经验性FC网络。所提出的端到端模型利用多目标损失函数联合重建FC网络并学习SC到FC映射的判别性图表示，用于下游受试者（即图级）分类。综合实验表明，所学得的该关系表示从受试者脑网络的内在属性中捕获了有价值的信息，并在来自人类连接组计划（Human Connectome Project）的大量重度饮酒者与非饮酒者群体分类中提高了准确率。我们的工作为脑网络之间的关系提供了新见解，支持了使用图表示学习发现更多人类大脑活动与功能这一有前景的前景。
引用
@article{arxiv.2112.09906,
title = {Learning to Model the Relationship Between Brain Structural and Functional Connectomes},
author = {Yang Li and Gonzalo Mateos and Zhengwu Zhang},
journal= {arXiv preprint arXiv:2112.09906},
year = {2021}
}
备注
Submitted to the IEEE Transactions on Signal and Information Processing over Networks