面向基于 fMRI 的神经系统疾病识别的联邦图学习特异性保持方法
定量方法
2023-08-22 v1 机器学习
信号处理
摘要
静息态功能磁共振成像（rs-fMRI）提供了一种检查与脑疾病相关的异常脑连接的非侵入性方法。图神经网络（GNN）凭借强大的图表示能力，在 fMRI 表示学习与脑疾病分析中日益流行。训练一个通用的 GNN 通常需要来自多个影像中心/站点的海量数据集，但多站点数据的集中化普遍面临数据隐私、安全性与存储负担等固有挑战。联邦学习（FL）能够在无需集中多站点 fMRI 数据的情况下实现协作模型训练。遗憾的是，既往用于 fMRI 分析的 FL 方法常忽略站点特异性，包括年龄、性别与受教育年限等人口统计学因素。为此，我们提出一种特异性感知的联邦图学习（SFGL）框架，用于 rs-fMRI 分析与自动化脑疾病识别，其包含服务器与多个客户端/站点以进行联邦模型聚合与预测。在各客户端，我们的模型由共享分支与个性化分支组成，其中共享分支参数上传至服务器，而个性化分支参数保留在本地。这既促进站点间知识共享，又有助于保持站点特异性。在共享分支中，我们采用时空注意力图同构网络学习动态 fMRI 表示。在个性化分支中，我们整合向量化人口统计学信息（即年龄、性别与受教育年限）与功能连接网络以保留站点特有特征。两分支生成的表示随后融合用于分类。在包含两个 fMRI 数据集、共计 1,218 名受试者的实验结果表明，SFGL 优于多种当前最优方法。
引用
@article{arxiv.2308.10302,
title = {Preserving Specificity in Federated Graph Learning for fMRI-based Neurological Disorder Identification},
author = {Junhao Zhang and Qianqian Wang and Xiaochuan Wang and Lishan Qiao and Mingxia Liu},
journal= {arXiv preprint arXiv:2308.10302},
year = {2023}
}