Oct, 2022

联合图卷积分析脑结构和功能联结网络

PDF
TL;DR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。
brainstructural networksfunctional connectionsgraph convolutional networksmulti-modal graph learning
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

  • 利用图神经网络对脑结构和功能网络进行联合嵌入进行精神疾病诊断

    我们提出了一种基于多视图 GNN 和对比学习的方法，用于对多模态脑网络进行分析，并通过在两个现实疾病数据集上的实验证明了该方法的有效性。

    Jul, 2021

  • 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

  • 使用 T1-MRI 的分层原型嵌入 GCN 构建动态结构性脑网络

    该研究提出了一种基于 T1-MRI 的新型动态结构脑网络构建方法，该方法可以动态定位关键区域并限制其层次分布，用于结构化的脑网络构建，以预测轻度认知障碍（MCI）病例的转化情况并取得最佳效果。

    May, 2023

  • 双向图生成对抗网络：用于阿尔茨海默病的脑结构 - 功能连接的表示

    通过引入双向图生成对抗网络（BGGAN）、内部图卷积网络（InnerGCN）以及均衡器（Balancer），本研究提出了一种能够表示脑结构与功能之间连接的模型。在 ADNI 数据集上的实验结果表明，生成的结构连接和功能连接都能提高阿尔茨海默病（AD）的识别准确度，同时也发现脑结构与功能之间并不完全一一对应的关系，脑结构是脑功能的基础，强结构连接几乎都伴随着强功能连接。

    Sep, 2023

  • 功能图卷积网络：一个统一的多任务和多模态学习框架以促进健康和社会护理洞察

    该论文介绍了一种新颖的功能图卷积网络 (funGCN)，它结合了功能数据分析和图卷积网络，以解决数字健康和纵向研究中的多任务和多模式学习的复杂性问题。通过模拟实验和真实数据应用的验证，证实了 funGCN 的有效性。

    Mar, 2024

  • 结合解剖学知识的大脑功能网络集成贝叶斯分析

    通过采用分层贝叶斯高斯图模型，该研究方法能够利用结构连接知识来估计功能网络，从而提高了功能大脑网络估计的准确性和拓扑特征在扫描会话间的可重复性。

    Feb, 2018

  • 利用解缠变分自编码器融合结构和功能连接性以检测 MCI

    考虑到多模态神经影像具有互补信息，本文提出了一种新的层次结构 - 功能连接融合（HSCF）模型，并在 ADNI 数据库上进行了测试，结果显示该模型在分类评估方面的表现优于其它竞争模型，能够更好地生成脑结构 - 功能连接并识别认知疾病的异常大脑连接。

    Jun, 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

  • 图结构主题神经网络

    本文提出了 GraphSTONE，一种基于 GCN 模型的结构话题神经网络，利用图的主题模型，从概率角度捕获广泛的指示性图结构。同时，通过设计多视图 GCN 统一节点特征和结构主题特征，并利用结构主题来指导聚合，从而达到高效和可解释性。

    Jun, 2020