基于谱卷积网络的图形显着性图：应用于脑连接的性别分类

Jun, 2018

基于谱卷积网络的图形显着性图：应用于脑连接的性别分类

Graph Saliency Maps through Spectral Convolutional Networks: Application to Sex Classification with Brain Connectivity

Salim Arslan, Sofia Ira Ktena, Ben Glocker, Daniel Rueckert

TL;DR本文探讨了对基于图形的表示法的感兴趣区域识别任务的图形卷积网络 (GCNs) 的应用，提出了一种基于类激活映射的视觉归属方法，通过进行性别分类任务证明了该方法可以在不需要节点标签的前提下识别突出的节点 (脑区) 并证明了该方法在突出跨个体重复区域方面的鲁棒性，进一步利用大规模的 UK Biobank 研究数据评估了所发现区域的神经生物学相关性。

Abstract

graph convolutional networks (GCNs) allow to apply traditional convolution operations in non-Euclidean domains, where data are commonly modelled as irregular graphs. Medical imaging and, in particular, neuroscience studies often rely on such graph representations, with brain connectivi

graph convolutional networks roi identification neuroimaging class activation mapping brain regions

发现论文，激发创造

多头图卷积网络用于结构连接组分类

本文提出了一种受图卷积网络启发的机器学习模型，针对基于扩散磁共振图像的脑连接性进行分类。该模型通过并行地使用具有多个头的图形卷积机制对脑连接输入图进行处理，并使用不同的头涉及图卷积来捕获输入数据的表示，证明了在两个公开数据集上比现有的机器学习算法展现出更高的性能，包括经典方法和 (图形和非图形) 深度学习。

May, 2023

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

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

基于池化正则化的图神经网络在 fMRI 生物标志物分析中的应用

研究使用图神经网络分析脑网络结构数据中与某些神经系统疾病相关的生物标志物。提出了一种可解释的 GNN 框架，其中包括一种新颖的显著区域选择机制和设计新颖的规则化池化层，以突显感兴趣区域（ROI），从而推断哪些 ROI 重要于识别某些疾病。在自闭症神经影像数据集上应用 PR-GNN 框架并展示其在分类准确性方面的优越性及与以往自闭症神经影像现出的生物标志物结果的高度一致性。

Jul, 2020

组织病理学中的直方图图表

本论文在组织切片图像中，使用图卷积网络 (Graph Convolutional Networks, GCNs) 对细胞的多属性空间图进行建模，通过提取细胞空间排列的复杂特征以实现肿瘤分类，得到了与 Inception-v3 相当的分类准确率。

Aug, 2019

联合图卷积分析脑结构和功能联结网络

本文提出将结构网络和功能网络耦合起来，提出一种联合图卷积网络（Joint-GCN）以分析结构和功能网络之间的关系，并在预测大脑白质网络年龄和性别方面进行应用，结果表明联合 - GCN 比现有的多模态图学习方法更有效。

Oct, 2022

基于连接不确定性的图卷积网络用于基于脑电波的情绪识别

基于多通道脑电图的自动情绪识别具有推进人机交互的巨大潜力，但现有算法情绪识别研究存在一些显著挑战，本研究通过引入基于图卷积网络体系结构的分布不确定性方法来解决这些挑战，实现了空间依赖性和时频相关性的表示，以及通过一种单向学习方式将不确定性学习方法与深层 GCN 权重相集成，结果表明我们的方法在情绪识别任务上优于之前的方法，取得了积极且显著的改进。

Oct, 2023

卷积神经网络内部探究：图像分类模型和显著性地图的可视化

该论文研究了使用深度卷积网络 (ConvNets) 学习的图像分类模型的可视化，提出了两种基于计算类别分数相对于输入图像的梯度的可视化技术，能够最大化类别得分或计算类别显著图以进行对象分割，最后建立起梯度卷积网络可视化方法和反卷积网络之间的联系。

Dec, 2013

紧凑而强大：利用图神经网络和边缘卷积进行医学图像分类

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

平衡图结构信息用于脑疾病检测

本研究提出了 Bargrain，它通过使用图卷积网络模拟了两种图结构：过滤后的相关矩阵和最优样本图，旨在既得益于这两种图结构，又解决了仅依赖单一结构的限制。大量实验证明，Bargrain 在脑部疾病数据集的分类任务中，以平均 F1 分数为衡量指标，胜过了现有方法。

Dec, 2023