基于可解释自适应群体图学习的多模态脑龄估计
机器学习
2023-07-20 v2 计算机视觉与模式识别
摘要
脑龄估计在临床中十分重要，因为它能在阿尔茨海默症等神经退行性疾病背景下提供有价值的信息。群体图包含受试者的多模态影像信息及群体间关系，已与图卷积网络（GCNs）一同用于文献中，并被证明有益于多种医学影像任务。群体图通常是静态的，并使用非影像信息手动构建。然而，图的构建并非易事，且可能显著影响 GCN 的性能，而 GCN 本身对图结构极为敏感。本工作中，我们提出一个学习针对下游任务优化的群体图结构的框架。注意力机制为一组影像与非影像特征（表型）分配权重，随后用于边提取。所得图用于训练 GCN。整个流程可端到端训练。此外，通过可视化对图构建最为重要的注意力权重，我们提升了图的可解释性。我们使用提供多种神经影像与非影像表型的 UK Biobank 来评估我们的方法在脑龄回归与分类上的表现。所提方法优于竞争的静态图方法与其他最先进的自适应方法。我们进一步表明，所分配的注意力分数指示出存在对脑龄估计具信息性且符合相关文献的影像与非影像表型。
引用
@article{arxiv.2307.04639,
title = {Multimodal brain age estimation using interpretable adaptive population-graph learning},
author = {Kyriaki-Margarita Bintsi and Vasileios Baltatzis and Rolandos Alexandros Potamias and Alexander Hammers and Daniel Rueckert},
journal= {arXiv preprint arXiv:2307.04639},
year = {2023}
}
备注
Accepted at MICCAI 2023