签名曲率图表表示学习大脑网络用于大脑年龄估计

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 图形理论 图形理论

背景情况:

• 图形神经网络 (GNN) 对于大脑年龄估计至关重要,但遭受过度压,限制长距离节点交互和拓结构学习.
• 现有的图形重新连接和曲率GNN有局限性,忽视了节点特征或符号曲率的几何性质.

研究的目的:

• 提出一种新的Signed Curvature GNN (SCGNN),有效地利用节点特征和曲率重新连接大脑网络,以改进大脑年龄估计.
• 增强信息交互,并捕捉大脑网络中复杂的拓结构.

主要方法:

• 引入了相互信息奥利维埃-里奇流 (MORF),以添加基于相互信息和最小负曲率的连接.
• 开发了Signed Curvature Convolution (SCC) 以考虑正和负曲率的节点特征进行聚合.
• 建议使用曲率梯度和注意全球表示的奥利维埃-里奇梯度聚合 (ORG-聚合).

主要成果:

• 与现有方法相比,SCGNN在6个smri数据集中在大脑年龄估计方面表现出有前途的表现.
• 该方法在使用估计和时间脑年龄之间的差距来识别阿尔茨海默病方面取得了最佳分类性能.

结论:

• 在脑网络分析中,SCGNN有效地解决了GNN过度压的局限性.
• 拟议的方法为大脑年龄估计和阿尔茨海默病检测提供了强大的方法.