多头图卷积网络用于结构连接组分类
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
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。
Jun, 2018
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
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
本研究提出了一种基于多尺度图谱和深度学习的方法,使用具有生物意义的多尺度图谱计算多尺度功能连接网络,并结合多尺度网络中区域之间的生物意义关系进行诊断信息提取,以实现更好地理解脑部疾病的神经病理学。实验证明该方法在阿尔茨海默病、轻度认知障碍和自闭症谱系障碍的诊断中比其他竞争方法更具优势。
Sep, 2022
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
本研究探讨了基于 Graph Convolutional Networks 的最佳实践,旨在利用 GCNs 自然的多关系数据建模能力和处理不规则输入图片的能力,在 MNIST、CIFAR-10 和 PASCAL 数据集上甚至优于 CNNs 的图像分类表现。
Jul, 2019
通过引入语义 - 结构注意力增强图卷积网络(SSA-GCN),本研究在提取顶点分类性能方面不仅对图结构进行建模,还从无监督特征提取的角度提取通用特征,通过交叉注意力机制整合这些特征,以增强图卷积网络的泛化能力。在 Cora 和 CiteSeer 数据集上的实验证明了我们提出的方法所取得的性能提升,而且在隐私设置下表现出优异的准确性,使其成为图数据分析的坚实有效解决方案。
Mar, 2024
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
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