Graph convolution network with similarity awareness and adaptive calibration...MIA,2020.

   日期:2021-04-08     浏览:5    评论:0    
核心提示:Song X, Zhou F, Frangi A F, et al. Graph convolution network with similarity awareness and adaptive calibration for disease-induced deterioration prediction[J]. Medical Image Analysis, 2020, 69: 101947.此篇论文中Song等人设计了一种自适应的相似感知校准图卷积网络模型(SAC-GCN),综合利用功能磁共振

Song X, Zhou F, Frangi A F, et al. Graph convolution network with similarity awareness and adaptive calibration for disease-induced deterioration prediction[J]. Medical Image Analysis, 2020, 69: 101947.

此篇论文中Song等人设计了一种自适应的相似感知校准图卷积网络模型(SAC-GCN),综合利用功能磁共振成像(fMRI)和弥散张量成像(DTI)信息,提高了对阿兹海默症(AD)的预测分类准确率

相似度的计算是计算相关特征向量之间的距离,这限制了预测性能,尤其是对预测临床前期主观记忆担忧(SMC)和轻度认知障碍(MCI)。在本文中,提出了改进GCN的机制,即相似感知自适应校准GCN (sac-gcn),用于区分预测SMC和MCI。

首先,设计了一个相似性感知图,使用不同的感知域来考虑疾病状态。图上被标记的受试者只与那些被标记的具有相同地位的受试者有联系。其次,提出了一种自适应的相似性评价机制。具体来说,我们利用传统的相关距离来评估相似度来构建初始的GCN,然后利用训练样本对初始的GCN进行预训练,并将其用于所有被试的评分。然后,这些分数之间的差值代替相关距离来更新相似性。最后,设计了一种将功能磁共振成像(fMRI)和扩散张量成像(DTI)信息融合到边缘的定标机制。

 

本文提出了一种相似性感知自适应校准的GCN网络模型,该GCN使用了对应于fMRI和DTI数据的两个GCN模型,并通过联合权重机制来平衡它们的输出。本文提出了三种机制。首先,在图上设计相似性感知的接受域,以考虑疾病状态的差异。具体来说,代表一个训练样本的每个标有标签的节点只与那些具有相同疾病状态的标有标签的节点相连。表示测试样本的每个未标记节点可以与图上的每个节点连接。

其次,本文提出了一种自适应机制,利用预评分之间的差异来代替相关距离来估计更准确的相似性。具体来说,模型使用了基于相关距离计算的初始相似度来构建初始图,并使用训练样本进行GCN的预训练。然后用预先训练过的GCN给所有训练项目打分。这些预评分之间的差异被用来形成更新后的相似性。这是由预先训练的GCNs导致的相似性度量优于相关距离。第三,基于fMRI功能网络和DTI结构网络的相关互补关系,提出了一种融合功能和结构信息到边缘的校正机制。

 
打赏
 本文转载自:网络 
所有权利归属于原作者,如文章来源标示错误或侵犯了您的权利请联系微信13520258486
更多>最近资讯中心
更多>最新资讯中心
更多>相关资讯中心
0相关评论

推荐图文
推荐资讯中心
点击排行
最新信息
新手指南
采购商服务
供应商服务
交易安全
关注我们
手机网站:
新浪微博:
微信关注:

13520258486

周一至周五 9:00-18:00
(其他时间联系在线客服)

24小时在线客服