摘要。预见到大脑进化是一个复杂的高度互联的系统,广泛地以图形建模,对于映射健康和疾病中不同解剖感兴趣区域 (ROI) 之间的动态相互作用至关重要。有趣的是,脑图进化模型在文献中几乎没有。在这里,我们设计了一个对抗性大脑网络规范化器,将每个大脑网络表示为固定中心的群体驱动连接模板的变换。这种相对于固定参考的图形规范化为在基线时间点可靠地识别与测试样本最相似的训练样本(即大脑图)铺平了道路。然后,测试进化轨迹将由选定的训练图及其相应的进化轨迹跨越。我们的预测框架基于几何深度学习,它可以自然地在图上运行并很好地保留其拓扑属性。具体来说,我们提出了第一个基于图的生成对抗网络(gGAN),它不仅学习如何根据固定的连接大脑模板(CBT)(即,有选择地捕获大脑群体中最常见特征的大脑模板)对大脑图进行标准化,而且还学习大脑图的高阶表示,也称为嵌入。我们使用这些嵌入来计算训练和测试对象之间的相似性,这使我们能够在基线时间点选择最接近的训练对象来预测测试大脑图随时间的演变。针对几种比较方法的一系列基准测试表明,我们提出的方法使用单个基线时间点实现了最低的脑疾病演变预测误差。我们的 gGAN 代码可在 http://github.com/basiralab/gGAN 获得。
主要关键词