STNAGNN：超越功能连接的数据驱动时空脑连接
机器学习
2025-04-09 v2 神经元与认知
摘要
近年来，图神经网络（GNN）在脑fMRI分析中得到广泛应用，但在噪声较大的fMRI数据中仍面临着定义ROI之间连接性的挑战。在所有方法中，功能连接（Functional Connectome, FC）是最流行的方法。通过计算ROI时间序列之间的相关系数来计算FC，这是一种强大且计算高效的估计ROI连接性的方式。然而，FC因忽略ROI相互作用的结构连接和因果性而被认为是不足的。此外，在fMRI的短时空滑动窗口子序列中，FC变得更加嘈杂。有效连接（Effective Connectome, EC）被提出作为一种方向性替代方案，但难以准确估计。此外，为了获得最佳GNN性能，通常只选择最强的连接作为稀疏边，这导致对复杂脑连接的过度简化。为此，我们提出了时空节点注意力图神经网络（Spatio-Temporal Node Attention Graph Neural Network, STNAGNN）作为一种数据驱动的替代方案，将稀疏的预定义FC与稠密的数据驱动时空连接相结合，允许灵活的时空学习ROI相互作用模式。
引用
@article{arxiv.2406.12065,
title = {STNAGNN: Data-driven Spatio-temporal Brain Connectivity beyond FC},
author = {Jiyao Wang and Nicha C. Dvornek and Peiyu Duan and Lawrence H. Staib and Pamela Ventola and James S. Duncan},
journal= {arXiv preprint arXiv:2406.12065},
year = {2025}
}