面向脑图超分辨率的强拓扑保持图神经网络

脑图超分辨率(SR)是网络神经科学中一个较少探索却高度相关的任务。它规避了昂贵且耗时的医学影像数据收集、准备和处理。当前SR方法利用图神经网络(GNN)由于其能原生处理图结构数据集的优势。然而，大多数GNN进行节点特征学习，这存在两个显著局限性：(1)它们需要计算密集型方法来学习能够推断连接强度或边特征的复杂节点特征，这在更大图上不可扩展；(2)节点空间的计算未能充分捕捉如clique和hub等更高阶脑拓扑结构。然而，众多研究表明，脑图拓扑结构在识别各种神经退行性疾病如阿尔茨海默和帕金森的发作和存在方面至关重要。针对这些挑战和应用，我们提出了我们的STP-GSR框架。这是一个在更高阶拓扑空间中进行表示学习的图SR架构。具体而言，利用图论中的原始-偶图表述，我们开发了从低分辨率(LR)脑图边空间到高分辨率(HR)偶图节点空间的高效映射。这种方法确保了该偶图上节点级别的计算自然对应于HR脑图上边级别的学习，从而在框架内部强制实现强拓扑一致性。此外，我们的框架与GNN层无关，可轻松从较小、可扩展的GNN中学习，降低计算要求。我们全面基准测试我们的框架 across七个关键拓扑度量，观察到其显著优于以前的最先进方法和基线方法。