用于群体驱动脑网络图谱估计的监督多拓扑网络交叉扩散
机器学习
2020-09-24 v1 机器学习
摘要
估计具有代表性和判别性的脑网络图谱（BNA）是绘制健康与疾病群体脑网络的新兴研究领域。尽管相关工作有限，现有的BNA估计方法仍存在若干局限。首先，它们主要依赖相似性网络扩散与融合技术，该技术仅将节点度作为交叉网络扩散过程中的拓扑度量，从而忽略了脑网络的丰富拓扑度量（如中心性）。其次，扩散与融合技术均以完全无监督方式实现，这可能降低所估计BNA的判别能力。为弥补这些不足，我们提出一种监督多拓扑网络交叉扩散（SM-netFusion）框架，用于估计满足以下条件的BNA：（i）良好的代表性（捕捉跨被试的共享特征），（ii）良好的中心性（与所有被试最优接近），以及（iii）高判别性（能够轻松高效地识别区分两个群体的判别性脑连接）。对于特定类别，给定训练数据的聚类标签，我们以监督方式学习由度、紧密性和特征向量中心性度量导出的拓扑扩散核的加权组合。具体而言，我们通过使用学习到的扩散核对训练脑网络进行归一化来学习交叉扩散过程。与变体及最先进（SOTA）方法相比，我们的SM-netFusion生成了最具中心性和代表性的模板，并将自闭症被试的分类准确率提升了5-15%。SM-netFusion提出了基于图拓扑度量的监督网络交叉扩散的首项工作，可进一步用于设计高效的图特征选择方法，以训练网络神经科学中的预测学习器。
引用
@article{arxiv.2009.11054,
title = {Supervised Multi-topology Network Cross-diffusion for Population-driven Brain Network Atlas Estimation},
author = {Islem Mhiri and Mohamed Ali Mahjoub and Islem Rekik},
journal= {arXiv preprint arXiv:2009.11054},
year = {2020}
}