Multi-SIGATnet：基于稀疏交互机制和图注意力网络的精神分裂症脑磁图分类算法
计算机视觉与模式识别
2024-08-28 v1
摘要
精神分裂症是一种严重的精神疾病，其病因尚不完全明了，导致患者的精准治疗困难。鉴于人脑复杂的非欧几里得网络结构，从脑网络中学习关键信息仍然困难。为有效捕获脑神经网络的拓扑信息，本文提出一种基于稀疏交互机制的多模态图注意力网络（Multi-SIGATnet），用于脑磁图的精神分裂症（SZ）分类。首先，将结构信息和功能信息融合为多模态数据，以获得更为全面和丰富的患者特征。随后，提出稀疏交互机制，以有效提取显著特征并增强特征表示能力。通过基于非对称卷积网络增强特征信息之间强连接并削弱弱连接，从而捕获高阶交互特征。此外，设计了稀疏学习策略以过滤冗余连接以提高模型性能。最后，依据更高阶脑网络的拓扑特征和连接权约束，更新局部与全局特征，将特征投射到分类目标空间以完成疾病分类。在 Center for Biomedical Research Excellence（COBRE）和 University of California Los Angeles（UCLA）数据集上验证了该模型的有效性，分别实现了 81.9% 和 75.8% 的平均准确率，分别比图注意力网络（GAT）方法高出 4.6% 和 5.5%。实验表明，Multi-SIGATnet 方法在识别 SZ 方面表现良好。
引用
@article{arxiv.2408.13830,
title = {Multi-SIGATnet: A multimodal schizophrenia MRI classification algorithm using sparse interaction mechanisms and graph attention networks},
author = {Yuhong Jiao and Jiaqing Miao and Jinnan Gong and Hui He and Ping Liang and Cheng Luo and Ying Tan},
journal= {arXiv preprint arXiv:2408.13830},
year = {2024}
}