异质图形卷积神经网络通过霍奇-拉普拉西安对大脑功能数据的功能数据
Jinghan Huang1, Moo K Chung2, Anqi Qiu1,3,4,5,6
1Department of Biomedical Engineering, National University of Singapore, Singapore, Singapore.
Information processing in medical imaging : proceedings of the ... conference
|May 22, 2024
概括
这项研究引入了一种新的异质图卷积神经网络 (HGCNN),用于分析大脑fMRI数据. 通过学习有意义的功能连接特征,HGCNN有效地预测通用智能,优于现有的图形神经网络方法.
科学领域:
- 神经科学是一个神经科学.
- 机器学习 机器学习
- 图形神经网络的神经网络
背景情况:
- 使用fMRI数据进行功能性大脑连接分析是复杂的.
- 现有的图形神经网络 (GNN) 在处理异构的大脑数据方面面临着挑战.
- 从大脑活动中准确预测认知能力,如一般智力,仍然是一个挑战.
研究的目的:
- 为分析大脑fMRI数据提出一种新的异质图卷积神经网络 (HGCNN).
- 引入使用k-th Hodge-Laplacian (HL) 运算符和拓图形聚合 (TGPool) 方法的光谱过器的通用配方.
- 评估HL-节点,HL-边缘和HL-HGCNN模型在从fMRI数据中预测一般智能的性能.
主要方法:
- 开发了一种新的异质图卷积神经网络 (HGCNN),利用k-th Hodge-Laplacian (HL) 运算符进行光谱过.
- 引入了拓图形聚合 (TGPool) 方法,适用于任何维度的简单图形.
- 设计并实施了HL-node,HL-edge和HL-HGCNN架构,用于在节点,边缘和组合级别学习信号表示.
- 利用了青少年大脑认知发展 (ABCD) 研究 (n=7693) 的fMRI数据来预测一般智力.
主要成果:
- 与HL节点网络相比,HL边缘网络在使用功能性大脑连接作为特征时表现出更高的性能.
- 拟议的HL-HGCNN显著超过了最先进的GNN,包括GAT,BrainGNN,dGCN,BrainNetCNN和Hypergraph NN.
- 由HL-HGCNN提取的功能连接特征被发现对解释与一般智能相关的神经回路具有意义.
结论:
- 新的HGCNN框架,包括HL光谱过器和TGPool,为分析复杂的大脑fMRI数据提供了一种有效的方法.
- HL-HGCNN模型显示了预测认知能力和理解底层神经机制的巨大潜力.
- 在边缘层面考虑功能性大脑连接,可以增强基于图形的神经网络的智能预测预测能力.
