用于从单脑图联合预测多个脑图的拓扑感知生成对抗网络
机器学习
2020-09-24 v1 机器学习
摘要
近期基于生成对抗网络（GAN）的若干工作被提出，用于从单一模态预测一组医学图像（例如从T1 MRI预测FLAIR MRI）。然而，此类框架主要设计用于图像，限制了其对脑图等非欧几里得几何数据的泛化能力。尽管越来越多的连接组学研究证明了纳入脑图用于诊断神经系统疾病的潜力，但尚未有几何深度学习工作被设计用于从源脑图预测多个目标脑图。尽管图生成领域在过去两年获得了发展势头，现有工作存在两个关键缺陷。首先，此类工作大多旨在为每个目标域学习一个模型以从源域生成。因此，它们在联合预测多个目标域时扩展性有限。其次，它们仅考虑图的全局拓扑尺度（即图连接结构），而忽略了图的节点尺度上的局部拓扑（例如节点在图中多么中心）。为应对这些挑战，我们引入MultiGraphGAN架构，其不仅从单一脑图预测多个脑图，还保留每个待预测目标图的拓扑结构。其三个核心贡献在于：（i）设计图对抗自编码器用于从单一脑图联合预测脑图，（ii）通过对编码源图聚类并提出特定簇解码器来处理GAN的模态崩塌问题，（iii）引入拓扑损失以强制重建拓扑合理的目标脑图。我们的MultiGraphGAN显著优于其变体，从而展现出从单图进行多视图脑图生成的巨大潜力。
引用
@article{arxiv.2009.11058,
title = {Topology-Aware Generative Adversarial Network for Joint Prediction of Multiple Brain Graphs from a Single Brain Graph},
author = {Alaa Bessadok and Mohamed Ali Mahjoub and Islem Rekik},
journal= {arXiv preprint arXiv:2009.11058},
year = {2020}
}