本文提出了一种利用图卷积网络的通用框架，该框架旨在将人群表示为一个稀疏图，其中其节点与基于成像的特征向量相关联，而表型信息则作为边权集成，以在大型人群中进行脑分析，本框架可以用于疾病预测任务，能够显著提高预测性能，并在测试了两个大型数据集，ABIDE 和 ADNI，以分别预测自闭症谱系障碍和转化为阿尔茨海默病的结果。

Jun, 2018

本文通过提出新的动态本地化图剪枝方法，在医学中的两个 CADx 问题上展示了学习单一、最优图形对 GCN 向下游疾病分类任务的可行性，由此我们证明了图形学习对于在医学应用中使用 GCN 进行更准确和稳健推断的重要性。

Mar, 2020

本综述论文介绍了基于图卷积网络（GCN）的医学图像分析的最新研究进展，包括放射学和组织病理学数据，讨论了 GCN 在疾病诊断和患者康复中的应用，以及其在模型解释、大规模基准测试等方面的技术挑战和发展趋势。

Feb, 2022

本文介绍了一种新的图形领域体系结构，用于基于图形的深度学习用于疾病预测，该体系结构利用不同内核大小的滤波器来构建，特点是定义了几何 “内核模块”，能够在卷积期间捕获结构异质性。研究展示了该模型在两个公开数据集上的疾病预测结果，并提供了在模拟数据的不同输入情况下，常规 GCNs 和我们提出的模型的行为洞见。

Mar, 2019

提出一种优化下游任务的人口图结构学习框架，通过注意机制为一组成像和非成像特征分配权重，用于边提取，并使用生成的图来训练图卷积网络，结果表明该方法在脑龄回归和分类方面优于固定图方法和其他最先进的自适应方法，并且赋予的注意程度指示了成像和非成像特征对脑龄估计的信息价值与相关文献一致。

Jul, 2023

我们提出了一种基于聚合归一化图卷积网络的方法，通过在图采样中利用聚合、跳跃连接和标识映射，将图像和非图像特征融入节点和边缘，从而增强了预测能力，提供了大脑疾病潜在机制的整体视角。实验结果表明，在自闭症谱系障碍和阿尔茨海默病的预测上，相对于图卷积网络，我们的方法在准确度方面分别提高了 50% 和 13.56%。

Nov, 2023

我们研究了基于图神经网络的医学图像分类的潜力。我们提出了一种将图神经网络与边缘卷积相结合的新模型，利用 RGB 通道特征值的相互连接来强烈表示关键图节点之间的联系。我们的模型在 MedMNIST 数据集的分类中表现出色，并与现有的深度神经网络相比，参数少 1000 倍，训练时间和数据需求减少。我们的结果鼓励进一步探索医学影像领域中的其他图神经网络模型。

Jul, 2023

该文提出了一种基于高斯混合模型的图卷积神经网络方法，有效解决了节点特征信息不完整所带来的性能退化问题，实现了端到端的特征填充和图学习过程，并在节点分类和链路预测任务中明显优于基于特征填充技术的方法。

Jul, 2020

本文提出了一种改进的基于谱的图卷积网络，通过利用重新定义的拉普拉斯矩阵改进传播模型，可以直接处理定向图，并在半监督节点分类任务中表现出比当前最先进的方法更好的效果。

Jul, 2019

探讨使用最小批次图卷积网络和融合策略，对高光谱图像进行分类识别的性能提升。

Aug, 2020