长程脑图变换
机器学习
2025-01-10 v2
摘要
理解大脑各区域感兴趣区（ROI）之间的通信和信息处理高度依赖于长程连接，这在促进整个大脑中 diverse 功能神经整合中发挥着关键作用。然而，先前的研究通常只关注大脑网络内的短程依赖，忽略了长程依赖，限制了对大脑范围内通信的综合理解。为解决这一限制，我们提出了自适应长程感知变换（Adaptive Long-range aware TransformER, ALTERN），一种用于捕捉大脑 ROI 之间长程依赖的脑图变换，利用偏向随机漫步实现。具体而言，我们提出了一种新颖的长程感知策略，用于显式捕捉大脑 ROI 之间的长程依赖。通过引导步子向具有更高关联值的下一个跳跃前进，该策略模拟了真实世界中大脑范围内的通信。此外，通过采用变换框架，ALTER自适应地整合了大脑 ROI 之间短程和长程依赖，实现了对整个大脑中多级通信的集成理解。在 ABIDE 和 ADNI 数据集上的大规模实验表明，ALTER 在神经疾病诊断中持续优于包括 SAN、Graphormer、GraphTrans 和 LRGNN 在内的通用最先进图学习方法（包括 SAN、Graphormer、GraphTrans 和 LRGNN），以及其他基于图的脑网络分析方法（包括 FBNETGEN、BrainNetGNN、BrainGNN 和 BrainNETTF）。还展示了长程依赖的案例，以进一步说明 ALTERN 的有效性。实现代码已公开于 https://github.com/yushuowiki/ALTER。
引用
@article{arxiv.2501.01100,
title = {Long-range Brain Graph Transformer},
author = {Shuo Yu and Shan Jin and Ming Li and Tabinda Sarwar and Feng Xia},
journal= {arXiv preprint arXiv:2501.01100},
year = {2025}
}