MHNet：用于诊断神经发育障碍的多视图高阶网络（基于静息态fMRI）
计算机视觉与模式识别
2025-01-07 v2
摘要
背景：深度学习模型在诊断神经发育障碍(NDD)如自闭光谱综合征(ASD)和注意力缺陷多动障碍(ADHD)方面显示出前景。然而，许多模型要么使用图神经网络(GNN)构建单层脑功能网络(BFN)，要么采用空间卷积滤波从静息态fMRI数据中提取局部信息，往往忽略了对NDD分类至关重要的高阶特征。方法：我们引入多视图高阶网络(MHNet)，用于从源于静息态fMRI数据的多视图BFN中捕获层次化和高阶特征，以进行NDD预测。MHNet包含两个分支：欧几里得空间特征提取(ESFE)模块和非欧几里得空间特征提取(Non-ESFE)模块，随后是基于特征融合的分类(FFC)模块，用于NDD识别。ESFE包括功能连接生成(FCG)模块和高阶卷积神经网络(HCNN)模块，用于从欧几里得空间中的BFN中提取局部和高阶特征。Non-ESFE包括通用类似互联网的脑层次网络生成(G-IBHN-G)模块和高阶图神经网络(HGNN)模块，用于捕获非欧几里得空间中的拓扑和高阶特征。结果：在三个公开数据集上的实验显示，MHNet在使用AAL1和Brainnetome Atlas模板时均优于基于相似方法的SOTA。广泛的消融研究确认了MHNet的优越性以及使用多视图fMRI信息和高阶特征的有效性。我们的研究还为构建更精细的层次网络提供了选项，并解释了关键脑区与NDD之间的关联。结论：MHNet利用来自欧几里得空间和非欧几里得空间的多视图特征学习，融合了来自BFN的高阶信息，以提高NDD分类性能。
引用
@article{arxiv.2407.03217,
title = {MHNet: Multi-view High-order Network for Diagnosing Neurodevelopmental Disorders Using Resting-state fMRI},
author = {Yueyang Li and Weiming Zeng and Wenhao Dong and Luhui Cai and Lei Wang and Hongyu Chen and Hongjie Yan and Lingbin Bian and Nizhuan Wang},
journal= {arXiv preprint arXiv:2407.03217},
year = {2025}
}
备注
accepted by Journal of Imaging Informatics in Medicine