理解图同构网络用于静息态fMRI功能连接分析
计算机视觉与模式识别
2020-05-26 v2 机器学习
机器学习
摘要
图神经网络（GNN）依赖于包含神经网络训练的图操作以完成各类图相关任务。近来，已有若干尝试将GNN应用于功能磁共振成像（fMRI）数据。尽管取得进展，其共同局限在于难以以具神经科学可解释性的方式解释分类结果。本文中，我们提出一种使用图同构网络（GIN）分析fMRI数据的框架，GIN近来被提出作为一种用于图分类的强大GNN。本文一个重要贡献是观察到GIN是卷积神经网络（CNN）在图空间中的对偶表示，其中平移操作由邻接矩阵定义。该理解使我们能够将为CNN设计的显著图技术用于GNN，我们将其改造为所提的带独热编码的GIN，以可视化大脑重要区域。我们使用大规模静息态fMRI（rs-fMRI）数据验证所提框架，基于脑图结构对受试者性别进行分类。实验符合我们的预期：所得显著图与既往关于性别差异的神经影像证据高度对应。
引用
@article{arxiv.2001.03690,
title = {Understanding Graph Isomorphism Network for rs-fMRI Functional Connectivity Analysis},
author = {Byung-Hoon Kim and Jong Chul Ye},
journal= {arXiv preprint arXiv:2001.03690},
year = {2020}
}
备注
This paper is accepted for Frontiers in Neuroscience