协方差神经网络的可迁移性及其在解释性脑龄预测中的应用

May, 2023

协方差神经网络的可迁移性及其在解释性脑龄预测中的应用

Transferablility of coVariance Neural Networks and Application to Interpretable Brain Age Prediction using Anatomical Features

PDF

Saurabh Sihag, Gonzalo Mateos, Corey T. McMillan, Alejandro Ribeiro

TL;DR本文研究了具有协方差矩阵的图形卷积神经网络（coVariance 神经网络），证明了 VNN 具有出色的转移性能和在脑成像数据分析中的应用，通过具有多尺度的神经成像数据预测大脑年龄等任务的实验结果，论证了其比传统 PCA 方法更具有实用性，并验证了其对于阿尔茨海默病的优势与解释性。

Abstract

graph convolutional networks (GCN) leverage topology-driven graph convolutional operations to combine information across the graph for inference tasks. In our recent work, we have studied GCNs with covariance matrices as graphs in the form of →

graph convolutional networks covariance neural networks transferability multi-scale neuroimaging brain age prediction

发现论文，激发创造

使用协方差神经网络进行可解释的大脑年龄预测

本研究提出了一种基于 VNN 的大脑年龄预测框架，可通过解释获得对年龄差异的洞察力，包括对 Alzheimer 疾病中引起年龄差异的贡献的识别和脑部区域的解释。

May, 2023

基于协方差神经网络的脑龄预测基础模型

使用神经影像数据和机器学习算法估计生物年龄的脑龄是反映神经退行和认知衰退易感性增加的标志。本文研究了基于协方差神经网络的神经 VNN 作为脑龄预测应用基础模型，在健康人群中对神经 VNN 进行了预训练用于预测年龄，并在不同神经学背景下进行了微调来估计脑龄。重要的是，神经 VNN 为脑龄增加解剖学可解释性，并具有 “无尺度” 特性，可迁移到根据任意脑图精心策划的数据集。我们的结果表明，神经 VNN 可以从不同人群中提取符合生物学规律的脑龄估计，并成功迁移到维度与训练神经 VNN 的数据集不同的数据集中。

Feb, 2024

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

用协变组合网络学习图形

提出了一种新的用于表示图对象的协变组合网络 (Covariant Compositional Networks, CCNs) 模型，采用张量表示的置换群，并引入相应的张量聚合规则来实现协变。实验结果表明，CCN 模型在标准图学习基准测试中优于竞争算法。

Jan, 2018

人口图谱构建方法与脑龄回归的图神经网络的比较研究

推断脑龄估计中的群体图结构对图神经网络的影响。

Sep, 2023

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

图境神经网络与图神经网络的可迁移性

本文介绍了图神经网络（GNN）的转移性以及与该特性相关的图卷积和限制对象图形神经网络（Graphon NNs），证明了一个 GNN 和其极限图形的输出之间的差异，该差异随着节点数量的增加而消失，如果图卷积滤波器在图谱域中是带限制的，则该结果确立了 GNN 的可辨别性和可传输性之间的权衡。

Jun, 2020

图坐标与传统神经网络：图神经网络的替代方案

提出了一种基于图拓扑的神经网络方法作为信息传递 GNN 的高效替代方法，实验结果表明该方法在准确性和 ROC-AUC 的相似水平下，相较于信息传递 GNN，需要较少的可训练参数，同时在 OGBN-Proteins 和 OGBN-Products 数据集上实现了更高的性能。

Dec, 2023

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

使用图度及采样理论的图神经网络可转移性

通过引入显式的两层图状神经网络 (WNN) 架构，我们证明其能够用最少的网络权重近似带限信号在指定误差容限内，并且通过这一结果，建立了明确的两层 GNN 在收敛于图状函数的一系列充分大图上的可传递性。我们的工作解决了其他 GNN 结果中出现的维度诅咒问题，提供了处理各种大小图形数据的实际解决方案，同时保持性能保证而无需进行大量的重新训练。

Jul, 2023