用于端到端联合有效连接学习与静息态 fMRI 分类的时空 DAG 卷积网络
机器学习
2023-12-19 v1 人工智能
神经元与认知
摘要
构建全面的脑连接组已证明在静息态 fMRI (rs-fMRI) 分析中具有根本重要性。在脑网络的基础上，基于时空的图卷积网络极大地提升了深度学习方法在 rs-fMRI 时间序列分类中的性能。然而，现有工作要么将脑网络预定义为从原始时间序列导出的相关矩阵，要么在没有任何拓扑约束的情况下联合学习连接组和模型参数。这些方法可能会因为偏离内在脑连接而导致分类性能下降，并且缺乏展示大脑区域间因果结构（即有效连接）的生物学可解释性。此外，现有大多数用于有效连接学习的方法未感知下游分类任务，无法充分利用有用的 rs-fMRI 标签信息。为了以端到端方式解决这些问题，我们将脑网络建模为有向无环图（DAG）以发现大脑区域间的直接因果连接，并提出时空 DAG 卷积网络（ST-DAGCN），通过基于非线性结构方程模型学习脑表征，联合推断有效连接并对 rs-fMRI 时间序列进行分类。优化问题被表述为连续规划，并通过基于分数的学习方法经由梯度下降求解。我们在两个公开的 rs-fMRI 数据库上评估了 ST-DAGCN。实验表明，ST-DAGCN 在 rs-fMRI 分类中以明显优势优于现有模型，同时学习了有意义的有效连接边，有助于理解大脑活动模式和脑疾病的病理机制。
引用
@article{arxiv.2312.10317,
title = {Spatial-Temporal DAG Convolutional Networks for End-to-End Joint Effective Connectivity Learning and Resting-State fMRI Classification},
author = {Rui Yang and Wenrui Dai and Huajun She and Yiping P. Du and Dapeng Wu and Hongkai Xiong},
journal= {arXiv preprint arXiv:2312.10317},
year = {2023}
}
备注
Accepted by NeurIPS 2023 Temporal Graph Learning Workshop