基于图结构自学习的时空图卷积用于早期轻度认知障碍检测
机器学习
2022-11-14 v1 图像与视频处理
摘要
图神经网络（GNNs）已成功应用于早期轻度认知障碍（EMCI）检测，其使用了由血氧水平依赖（BOLD）时间序列构建的精心设计的特徵。然而，很少有工作探索直接使用BOLD信号作为特徵的可行性。同时，现有的基于GNN的方法主要依赖手工设计的显式脑拓扑作为邻接矩阵，这并非最优且忽略了脑的隐式拓扑组织。在本文中，我们提出了一种具有新颖图结构自学习机制的时空图卷积网络用于EMCI检测。所提出的时空图卷积块直接将BOLD时间序列作为输入特徵，为基于rsfMRI的临床前AD诊断提供了一个有趣的视角。此外，我们的模型能够通过图结构自学习机制自适应地学习最优拓扑结构并细化边权重。在阿尔茨海默病神经影像倡议（ADNI）数据库上的结果表明，我们的方法优于最先进的方法。可从模型中提取与先前研究一致的生物标记物，证明了我们方法的可靠可解释性。
引用
@article{arxiv.2211.06161,
title = {Spatial Temporal Graph Convolution with Graph Structure Self-learning for Early MCI Detection},
author = {Yunpeng Zhao and Fugen Zhou and Bin Guo and Bo Liu},
journal= {arXiv preprint arXiv:2211.06161},
year = {2022}
}
备注
5 pages, 3 figures