用于脑状态分类的多视图脑超连接体自编码器
计算机视觉与模式识别
2020-09-25 v1
摘要
图嵌入是一种强大的方法，用于将图神经数据（例如脑连接体）表示于低维空间以进行脑连接映射、预测与分类。然而，现有嵌入算法有两个主要局限。首先，它们主要关注保留节点间的一对一拓扑关系（即连接体中的感兴趣区域（ROI）），但大多忽略了多对多关系（即集合到集合），其可利用超连接体结构捕获。其次，现有图嵌入技术不易适配具有异质分布的多视图图数据。本文中，我们将对抗深度学习与超图理论交叉融合，旨在联合学习受试者特定的多视图脑图的深度潜在嵌入，以最终解开不同脑状态。首先，我们提出一种基于最近邻算法的简单新策略，为每个脑视图构建超连接体以保留ROI对之间的连接性。其次，我们设计了一种超连接体自编码器（HCAE）框架，其基于超图卷积层直接作用于多视图超连接体，以更好地捕获脑区域（即节点）间的多对多关系。对于每个受试者，我们通过对抗正则化进一步正则化超图自编码，以使学到的超连接体嵌入分布与输入超连接体分布对齐。我们将超连接体嵌入形式化于几何深度学习框架内，针对给定受试者进行优化，从而设计出基于个体的学习框架。我们的实验表明，与其他深度图嵌入方法相比，HCAE学到的嵌入在脑状态分类上取得了更好结果。
引用
@article{arxiv.2009.11553,
title = {Multi-View Brain HyperConnectome AutoEncoder For Brain State Classification},
author = {Alin Banka and Inis Buzi and Islem Rekik},
journal= {arXiv preprint arXiv:2009.11553},
year = {2020}
}