TractGraphCNN：基于解剖学信息的图 CNN，用于扩散 MRI 纤维束成像的分类
图像与视频处理
2023-01-06 v1 计算机视觉与模式识别
摘要
大脑连接的结构与变异性可通过使用神经网络预测非影像表型来研究。然而，输入特征之间已知的神经解剖学关系通常在网络设计中被忽略。我们提出 TractGraphCNN，一种新颖的、基于解剖学信息的图 CNN 框架，用于利用扩散 MRI 纤维束成像的机器学习任务。EdgeConv 模块聚合由图边指示的解剖学上相似的白质连接的特征，注意力模块则实现对预测性白质纤维束的解释。在性别预测测试任务中的结果显示，TractGraphCNN 在两个大型数据集（HCP 和 ABCD）上均表现出强劲性能。由白质几何学告知的图比由灰质连接性告知的图表现出更高性能。总体而言，双侧扣带和左侧中纵束始终对性别具有高度预测性。本工作展示了纳入解剖学信息（尤其是输入特征间已知的解剖学相似性）以引导神经网络中卷积的潜力。
引用
@article{arxiv.2301.01911,
title = {TractGraphCNN: anatomically informed graph CNN for classification using diffusion MRI tractography},
author = {Yuqian Chen and Fan Zhang and Leo R. Zekelman and Tengfei Xue and Chaoyi Zhang and Yang Song and Nikos Makris and Yogesh Rathi and Weidong Cai and Lauren J. O'Donnell},
journal= {arXiv preprint arXiv:2301.01911},
year = {2023}
}
备注
5 pages, 3 figures