Nov, 2023

发育和脑部障碍的图卷积聚合分类

PDF
TL;DR我们提出了一种基于聚合归一化图卷积网络的方法，通过在图采样中利用聚合、跳跃连接和标识映射，将图像和非图像特征融入节点和边缘，从而增强了预测能力，提供了大脑疾病潜在机制的整体视角。实验结果表明，在自闭症谱系障碍和阿尔茨海默病的预测上，相对于图卷积网络，我们的方法在准确度方面分别提高了 50% 和 13.56%。
graph convolutiondisease predictionneurodevelopmental disordersneurodegenerative disordersgraph node representations
发现论文，激发创造
  • 应用图卷积网络进行疾病预测：自闭症谱系障碍和阿尔茨海默病为例

    本文提出了一种利用图卷积网络的通用框架，该框架旨在将人群表示为一个稀疏图，其中其节点与基于成像的特征向量相关联，而表型信息则作为边权集成，以在大型人群中进行脑分析，本框架可以用于疾病预测任务，能够显著提高预测性能，并在测试了两个大型数据集，ABIDE 和 ADNI，以分别预测自闭症谱系障碍和转化为阿尔茨海默病的结果。

    Jun, 2018

  • 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

  • 自闭症谱系障碍分类的图卷积神经网络引导

    通过图卷积神经网络模型，以自动构建图的方式，预测自闭症患者的大脑活动模式，同时有效解决了图构建不鲁棒性问题，其性能准确，具有更强的鲁棒性。

    Apr, 2017

  • 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

  • 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

  • 使用多尺度图谱构建的分层图卷积网络用于脑障碍诊断和功能连接

    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

  • 基于域引导图卷积神经网络增强基于脑电图的神经疾病诊断

    使用 EEG-GCNN 模型对神经疾病的诊断进行改进，重点是区分由专家分类为 “正常” 的病人的异常头皮脑电波与健康人的头皮脑电波。在两个大型头皮脑电波数据库中的实验表明，EEG-GCNN 模型的 AUC 值达到 0.90，表现显著优于人工基准和传统机器学习基准。

    Nov, 2020

  • InceptionGCN: 基于感受野的图卷积神经网络用于疾病预测

    本文介绍了一种新的图形领域体系结构，用于基于图形的深度学习用于疾病预测，该体系结构利用不同内核大小的滤波器来构建，特点是定义了几何 “内核模块”，能够在卷积期间捕获结构异质性。研究展示了该模型在两个公开数据集上的疾病预测结果，并提供了在模拟数据的不同输入情况下，常规 GCNs 和我们提出的模型的行为洞见。

    Mar, 2019

  • 预测阿尔茨海默病：一项基于三维卷积神经网络的神经影像学研究

    本文提出了一种利用深度学习方法进行疾病预测的算法，通过 MRI 扫描病人的大脑，基于 ADNI 数据集中的 2265 个历史扫描，该算法可用于预测病人的疾病状态，并证明了 3D 卷积神经网络优于文献中的其他分类器并产生了最新的结果。

    Feb, 2015

  • 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