拓扑感知图增广用于神经认知障碍的临床轨迹预测
图像与视频处理
2024-11-05 v1 计算机视觉与模式识别
机器学习
神经元与认知
摘要
来自静息态功能磁共振成像（fMRI）的脑网络/图通过测量大脑中的神经元活动来帮助研究神经认知障碍的潜在病理生理学。一些研究利用基于学习的方法进行脑网络分析，但通常因标记fMRI数据稀缺而导致模型泛化能力低。作为一种值得注意的自监督策略，图对比学习有助于利用辅助无标签数据。但现有方法通常任意扰动图节点/边以生成增广图，而不考虑脑网络的基本拓扑信息。为此，我们提出了一种拓扑感知图增广（TGA）框架，包括一个预训练模型，用于在大规模无标签fMRI队列上训练可泛化的编码器，以及一个任务特定模型，用于在小型目标数据集上执行下游任务。在预训练模型中，我们设计了两种新型拓扑感知图增广策略：（1）枢纽保留节点丢弃，根据节点重要性优先保留脑枢纽区域；（2）依赖权重的边移除，基于边权重重点保持重要的功能连接。在1, 688次fMRI扫描上的实验表明，TGA优于几种最先进的方法。
引用
@article{arxiv.2411.00888,
title = {Topology-Aware Graph Augmentation for Predicting Clinical Trajectories in Neurocognitive Disorders},
author = {Qianqian Wang and Wei Wang and Yuqi Fang and Hong-Jun Li and Andrea Bozoki and Mingxia Liu},
journal= {arXiv preprint arXiv:2411.00888},
year = {2024}
}