Jun, 2018

应用图卷积网络进行疾病预测：自闭症谱系障碍和阿尔茨海默病为例

PDF
TL;DR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。
graph convolutional networksdisease predictionimaging-based feature vectorsphenotypic informationbrain analysis
发现论文，激发创造
  • 基于谱图卷积的基因型疾病预测

    本文介绍了在人群的脑分析中，将图卷积网络（GCN）应用于包括成像和非成像数据的稀疏图中，以推断未标记节点的类别，并在分类任务中整合上下文信息的潜力。该方法在 ABIDE 和 ADNI 数据库上取得了良好的性能。

    Mar, 2017

  • 自闭症谱系障碍分类的图卷积神经网络引导

    通过图卷积神经网络模型，以自动构建图的方式，预测自闭症患者的大脑活动模式，同时有效解决了图构建不鲁棒性问题，其性能准确，具有更强的鲁棒性。

    Apr, 2017

  • 发育和脑部障碍的图卷积聚合分类

    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

  • 基于潜在图学习的疾病预测

    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

  • 基于自适应门控图卷积网络的脑电数据可解释诊断阿尔茨海默病

    本研究提出了一种使用自适应闸门图卷积网络病诊断的方法，基于脑功能连通性图结构和节点特征增强的卷积方法，实现了对阿尔茨海默病患者的较高精确度预测，并提供了说明预测的一致解释的可能，有助于进一步研究 AD 相关的大脑网络变化。

    Apr, 2023

  • InceptionGCN: 基于感受野的图卷积神经网络用于疾病预测

    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

  • 动态双图融合卷积网络用于阿尔茨海默病诊断

    提出了一种动态双图融合卷积网络来提高阿尔茨海默病的诊断性能，该网络可以动态调整图结构以产生更好的诊断结果，并结合特征图和动态图学习来增加有用特征的权重并减少噪音特征的权重。实验证明该模型在阿尔茨海默病的诊断中具有灵活性和稳定性，并取得了优秀的分类结果。

    Aug, 2023

  • 跨网络节点分类的人口图自闭症检测

    图神经网络对于结合图像和非图像医学信息用于节点分类任务非常有效。这篇论文介绍了 OTGCN，一种强大而新颖的跨网络节点分类方法，它利用图卷积网络中的概念来充分利用图数据结构的洞察力，同时应用基于最优传输的策略来纠正在不同数据收集地点之间可能发生的域漂移。该方法为在不同地点和设备上收集到多种不同形式数据的情况提供了实用解决方案。我们通过使用图像和非图像数据的混合方式演示了这种方法在自闭症谱系障碍患者分类中的有效性。

    Jan, 2024

  • 多视角图卷积网络及其在帕金森病神经影像分析中的应用

    本文探讨基于图卷积网络的深度学习方法，在结合病人脑影像信息后，用于分辨帕金森患者和健康对照组，泛化表现高于传统 PCA 方法。

    May, 2018

  • 多模式医学图像的图卷积网络：方法、架构和临床应用

    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