用于 fMRI 生物标志物分析的池化正则化图神经网络
计算机视觉与模式识别
2020-07-30 v1 机器学习
机器学习
摘要
理解特定脑区与某种神经障碍的关联一直是神经影像研究的重要领域。识别显著脑区的一种有前景的方法是使用图神经网络（GNNs），其可用于分析图结构数据，例如由功能磁共振成像（fMRI）构建的脑网络。我们提出了一种具有新颖显著区域选择机制的可解释 GNN 框架，以确定与障碍相关的神经生物标志物。具体而言，我们设计了新颖的正则化池化层来突出感兴趣显著区域（ROIs），从而基于池化层计算的节点池化分数推断哪些 ROI 对识别某种疾病至关重要。我们提出的框架，池化正则化 GNN（PR-GNN），鼓励合理的 ROI 选择，并提供保留个体或群体水平模式的灵活性。我们将 PR-GNN 框架应用于 Biopoint 自闭症谱系障碍（ASD）fMRI 数据集。我们研究了超参数的不同选择，并表明 PR-GNN 在分类准确率方面优于基线方法。显著 ROI 检测结果与先前神经影像衍生的 ASD 生物标志物高度对应。
引用
@article{arxiv.2007.14589,
title = {Pooling Regularized Graph Neural Network for fMRI Biomarker Analysis},
author = {Xiaoxiao Li and Yuan Zhou and Nicha C. Dvornek and Muhan Zhang and Juntang Zhuang and Pamela Ventola and James S Duncan},
journal= {arXiv preprint arXiv:2007.14589},
year = {2020}
}
备注
11 pages, 4 figures