基于深度学习的结构连接谱谐化：图神经网络的优势
机器学习
2025-07-21 v1
摘要
神经影像学中小样本量的限制，尤其是结构连接谱（SC）研究的限制，削弱了用于神经系统和精神疾病（如阿尔茨海尔病和精神分裂症）可靠生物标志物开发的统计功效、可靠性和可推广性。虽然存在大规模多中心研究，但由于扫描器异质性导致获取相关偏差，影响影像一致性和后续分析。虽然现有的SC谐化方法（如线性回归（LR）、ComBat和深度学习技术）缓解了这些偏差，但往往依赖于详细的元数据、旅行主题（TS）或忽视SC的图拓扑结构。为此，我们提出一种基于站点的条件深度谐化框架，在无需元数据或TS的情况下对SC进行跨不同获取站点的谐化。我们在基于Human Connectome Dataset的模拟情景中测试了该框架。在该框架中，我们对三个深度架构——完全连接的自编码器（AE）、卷积AE和图卷积AE——与一个表现最佳的LR基线进行了基准测试。虽然非图模型在边缘权重预测和边缘存在检测方面表现出色，但图AE在保持拓扑结构和主体水平个体性方面表现优异，分别通过图度量和指纹识别准确度来反映。尽管LR基线实现了最高的数量化性能，通过显式建模获取参数，但在缺乏详细获取元数据的实际多站点应用场景中无法实现。我们的结果凸显了模型架构在SC谐化性能中的关键作用，表明图基方法特别适用于结构感知、领域通用性强的SC谐化，尤其适用于大规模多站点SC研究。
引用
@article{arxiv.2507.13992,
title = {Structural Connectome Harmonization Using Deep Learning: The Strength of Graph Neural Networks},
author = {Jagruti Patel and Thomas A. W. Bolton and Mikkel Schöttner and Anjali Tarun and Sebastien Tourbier and Yasser Alemàn-Gòmez and Jonas Richiardi and Patric Hagmann},
journal= {arXiv preprint arXiv:2507.13992},
year = {2025}
}