自学内容网 自学内容网

混合时序图与MLP用于纵向脑连接组分析

Mixing Temporal Graphs with MLP for Longitudinal Brain Connectome Analysis

摘要

对于理解脑变化的动态过程,尤其是与衰老和神经退行性疾病相关的变化,纵向脑网络分析具有重要意义。然而,每个受试者的图具有异构结构,并且由于数据是在数年内获得的,具有不同的时间点。此外,大多数现有数据集由于图像获取成本高昂而缺乏样本,这导致了对复杂深度神经网络的过拟合。

为了解决这些问题,开发了时空图多层感知器(STGMLP),它混合了图和时间空间上的特征,以分类一组纵向人类脑连接组。所提出的模型既高效又可解释,因此可以轻松应用于医学图像数据集,并识别与特定诊断标签相关的个性化特征。广泛的实验表明,该方法在阿尔茨海默病神经影像计划(ADNI)和青少年大脑认知发展(ABCD)数据集上都取得了成功的结果,独立地展现了出色的性能和计算效率。

本文方法

在这里插入图片描述
图1. (a) Tm个时间点的一组纵向图。节点颜色(即黄色、蓝色和红色)代表不同的节点特征,边的粗细表示边的强度。(b) GSMs中的节点混合MLP将节点j周围的局部图的节点特征(虚线表示)及其邻居作为输入。随着GSM的深度D增加,局部图的范围扩大。© GTMs中的图混合MLP取不同时间点的图对p(即p = {i1,i2})。

在这里插入图片描述
图2. STGMLP的架构。它由Tm个图空间混合器(GSM)、P个图时间混合器(GTM)、一个时空混合器(STM)和一个分类器头组成。GSMs和GTMs分别包含一个节点混合MLP和一个图混合MLP。STM混合了从每个空间和时间方面获得的特征。如果GSM的深度D大于1,则将GSM的输出Xi用作同一GSM的输入,以加深模型层次并扩大邻居节点的编码范围。

实验结果

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述


原文地址:https://blog.csdn.net/qq_45745941/article/details/138249259

免责声明:本站文章内容转载自网络资源,如本站内容侵犯了原著者的合法权益,可联系本站删除。更多内容请关注自学内容网(zxcms.com)!