A deep connectome learning network using graph convolution for connectome-disease association study

摘要

近年来,包括卷积神经网络(CNN)和图神经网络(GNN)在内的深度学习方法改变了脑连接组关联研究(CWAS)的发展方向,并利用深度嵌入特征在连接体表征学习方面取得了突破。然而,大多数现有研究可能忽略了对脑区特异性特征的表征,这些特征在区分具有高类内变异的脑疾病(如自闭症谱系障碍(ASD)和注意缺陷多动障碍(ADHD))中起着关键作用。本文提出了一个基于多元距离的脑连接组深度网络(MDCN),该网络通过有效的分组学习来解决局部特异性问题,并将种群和分组依赖关系关联起来以映射个体差异。该方法结合了一种可解释的方法,即分段梯度和类激活图(p-GradCAM),对于识别感兴趣的个体模式和精确定位连接组与疾病的关联是可行的。实验证明MDCN在疾病分类和可解释方面的优势,该方法有效融合了CWAS和图神经网络,并为人脑连接组关联研究提供新的见解。

出版物
In Neural Networks
叶辰飞
叶辰飞
脑网络编织者

用影像解析人脑的秘密