用于预测人群驱动脑连接模板演化的循环多图集成网络

学习如何从脑多图群体估计连接性脑模板（CBT）——其中每个图（例如功能图）量化成对脑感兴趣区（ROI）之间的特定关系——能够确定跨个体共享的独特连接模式。具体而言，CBT 被视为一组高度异质图的积分表示，理想情况下满足中心性（即到群体中所有图的距离最小）和判别性（即区分健康与异常群体）准则。迄今为止，现有工作仅限于集成和融合在单一时间点获取的脑多图群体。在本文中，我们前所未有地解决了如下问题：给定基线多图群体，我们能否学习如何集成并预测其在随访时间点的 CBT 表示？解决该问题对于预测健康和异常群体中的共同改变至关重要。为弥补这一空白，我们提出循环多图集成网络（ReMI-Net），这是首个图循环神经网络，可推断输入群体 t1 的基线 CBT 并预测其随时间的纵向演化（ti > t1）。我们的 ReMI-Net 由具有图卷积层的循环神经块组成，使用跨节点消息传递来首先学习每个 CBT 节点（即脑感兴趣区）的隐藏状态嵌入，然后预测其在连续时间点的演化。此外，我们设计了一种新颖的时间依赖损失来正则化 CBT 随时间的演化轨迹，并进一步引入循环递归和可学习归一化层以从时间依赖隐藏状态嵌入生成良好居中的 CBT。最后，我们从学到的隐藏状态图表示推导出 CBT 邻接矩阵。