Jul, 2020

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

PDF
TL;DR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。
发现论文，激发创造
  • 使用图神经网络从功能磁共振成像中发现神经系统疾病的稳健生物标志物：综述

    通过模型解释技术，本文综述了图神经网络在功能磁共振成像数据集上应用于疾病预测任务中的应用，特别关注所生成的神经变性疾病和神经精神障碍的潜在生物标记的稳健性，并建议建立新的标准来评估这些潜在生物标记的稳健性。

    May, 2024

  • 基于连接组学的大脑疾病分析可解释化图神经网络

    该研究提出了一个可解释性的框架，用于分析特定于疾病的感兴趣区域和突出连接。该框架包括一个面向脑网络的预测模型和一个全局共享的解释生成器，该生成器突出了特定于疾病的生物标记物。实验证明，该框架可以获得出色的性能并识别有意义的生物标记物。

    Jun, 2022

  • 可解释性脑网络分类的对比图池化

    本文提出了一种对脑网络进行图神经网络分析的方法，名为 ContrastPool，以满足功能性磁共振成像数据的特殊需求，并在神经退行性疾病的研究中展示了其优势。

    Jul, 2023

  • 用于解读任务 fMRI 生物标志物的图神经网络

    通过使用图神经网络和 fMRI 数据，开发出含有两个阶段的流程来识别 ASD 的生物标志物，并发现证据为 GNN 分类器使用的大脑区域 / 子图。

    Jul, 2019

  • 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

  • 深度强化学习引导的图神经网络用于脑网络分析

    本文提出了一个名为 BN-GNN 的新型脑网络表示框架，使用深度强化学习技术训练元策略以自动确定给定脑网络所需的最优特征聚合数量（反映在 GNN 层数中），并在八个现实世界脑网络数据集上进行了广泛实验。结果显示，相对于传统 GNN，在不同的脑网络分析任务上，BN-GNN 对性能的提升更加显著。

    Mar, 2022

  • FBNETGEN: 基于任务感知的基于 GNN 的 fMRI 分析方法：通过功能性脑网络生成

    FBNETGEN 是一种通过深度大脑网络生成的任务感知和可解释的 fMRI 分析框架，旨在完全发挥深度图神经网络在基于网络的 fMRI 分析中的作用，并提供了通过突出预测相关的大脑区域进行独特解释的学习图。

    May, 2022

  • 显著性感知正则化图神经网络

    通过加权聚合节点特征和全局节点显著性规则，我们提出了一种能够学习更有效图表示的新型图分类方法 SAR-GNN。

    Jan, 2024

  • 基于层级符号图池化模型的对比性脑网络学习

    提出一种可解释性的分层符号图表示学习模型，用于从脑功能网络中提取全局表示以用于不同的预测任务，并且通过数据扩充进一步提高其性能。通过在 HCP 和 OASIS 数据集上进行广泛实验的结果表明，该模型在预测任务中表现出优越性，并使用图形显着性图来检测和解释表型生物标志物。

    Jul, 2022

  • 通过功能性脑网络生成进行有效和可解释的 fMRI 分析

    本文提出了一个可训练的流程，以促进 fMRI 数据的分析和下游预测任务。结果表明，该流程能够更有效并独特地进行解释。

    Jul, 2021