全脑血管图：面向图学习与神经科学的数据库与基准 (VesselGraph)
机器学习
2022-02-07 v2 定量方法
摘要
生物神经网络定义了人类及其他哺乳动物的脑功能与智能，并形成超大规模、空间化、结构化的图。其神经元组织与脑微血管系统的空间组织紧密互连，后者为神经元供氧并构成一个互补的空间图。该脉管系统（或血管结构）在神经科学中扮演重要角色；例如，血管结构的组织（及变化）可表征多种病理的早期征兆，如阿尔茨海默病或中风。近来，组织透明化技术的进展使得全脑成像及小鼠全脑血管系统的分割成为可能。基于这些成像进展，我们提出一个基于特定成像协议、可扩展的全脑血管图数据集。具体而言，我们利用精炼的图提取方案（借助体绘制引擎 Voreen）提取血管图，并通过 OGB 与 PyTorch Geometric 数据加载器以可访问、可适配的形式提供。此外，我们利用所引入的血管图数据集，在生物学相关的血管预测与血管分类任务上，对众多最先进的图学习算法进行了基准测试。我们的工作为将图学习研究推进至神经科学领域铺平了道路。作为补充，所提出的数据集为机器学习界提出了具有挑战性的图学习研究问题，涉及将生物先验融入学习算法，或将这些算法扩展至处理具有数百万节点与边的稀疏空间图。所有数据集与代码均可在 https://github.com/jocpae/VesselGraph 下载。
引用
@article{arxiv.2108.13233,
title = {Whole Brain Vessel Graphs: A Dataset and Benchmark for Graph Learning and Neuroscience (VesselGraph)},
author = {Johannes C. Paetzold and Julian McGinnis and Suprosanna Shit and Ivan Ezhov and Paul Büschl and Chinmay Prabhakar and Mihail I. Todorov and Anjany Sekuboyina and Georgios Kaissis and Ali Ertürk and Stephan Günnemann and Bjoern H. Menze},
journal= {arXiv preprint arXiv:2108.13233},
year = {2022}
}
备注
Thirty-fifth Conference on Neural Information Processing Systems Datasets and Benchmarks Track