基于图形的反向训练的持久同质性卷积网络用于使用大脑连接识别疾病

科学领域:

• 神经科学是一个神经科学.
• 图形理论 图形理论
• 机器学习 机器学习

背景情况:

• 大脑疾病会导致网络变化.
• 图形卷积网络 (GCNs) 分析大脑网络,但经常错过拓信息,容易受到干扰.
• 现有的GCN专注于区域特征,忽视关键的拓和连接模式.

研究的目的:

• 开发一种强大而准确的方法来使用神经成像数据对大脑疾病进行分类.
• 通过整合拓特征来增强图形卷积网络 (GCNs),以改善大脑疾病的识别.
• 解决当前GCNs在脑疾病诊断中对网络属性干扰的脆弱性.

主要方法:

• 使用神经成像数据构建大脑功能/结构连接.
• 开发了一个经过对抗训练的基于同质性的持续图形卷积网络 (ATPGCN).
• 集成的持久同质特征与GCN读取特征用于个体级别表示和模拟的对抗性扰动用于稳定性测试.

主要成果:

• 拟议的ATPGCN方法在三个独立数据集的疾病识别中表现出卓越的性能.
• 在准确分类脑疾病方面,ATPGCN的表现优于现有的分类方法.
• 该模型证明对大脑网络架构的轻微干扰具有稳定性,提高了诊断可靠性.

结论:

• 对抗训练的基于同质性的持续图形卷积网络 (ATPGCN) 为大脑疾病分类提供了一个强大的新工具.
• 整合拓信息和对抗训练显著提高了大脑网络分析的准确性和稳定性.
• 这种方法提高了基于神经成像的诊断可靠性,用于各种大脑疾病.