arxiv：2009.13217v1 [eess.iv] 28 Sep 2020__

arxiv：2009.13217v1 [eess.iv] 28 Sep 2020

可下载资源数量

已经购买

下载数量：1

单价	0 1.0
Coupon	100% 0%
Total	0 1.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arxiv：2009.13217v1 [eess.iv] 28 Sep 2020

¥ 1.0

热度

摘要。学习如何预测大脑连接（即图）开发和衰老对于绘制脑部dysconnectitivity dissorder和跨境景观的构图至关重要。的确，预测随着时间的推移出现并从单个时间点开始出现的纵向（即时间依赖性）脑功能障碍性，可以帮助在很早的阶段设计个性化治疗方法。尽管有很大的能力，但在文献中，大脑图的进化模型在很大程度上被忽略了。在这里，我们提出了EvographNet，这是第一个端到端的几何深度学习图 - 生成的对抗网络（GGAN），用于预测单个时间点的时间依赖性脑图演变。我们的Evo-Graphernet体系结构级联一组与时间有关的GGAN，每个GGAN在特定时间点上传达其预测的脑形图，以在后续时间点训练级联的下一个GGAN。因此，我们通过将每个发电机的输出作为其后继器的输入来获得每个预测的时间点，这使我们能够以末端的方式仅使用一个时间点预测给定数量的时间点。在每个时间点上，为了更好地使预测的脑图的分布与地面图形的分布相结合，我们进一步整合了辅助kullback-leibler差异损失函数。在两个连续观测之间限制时间依赖性，我们施加了L 1损失，以最大程度地减少两个序列化脑图之间的稀疏距离。我们的示波器 - 网络代码可在http://github.com/basiralab/evographnet上找到。一系列针对我们的evographnet变体和消融版本的基准，表明我们可以使用单个基线时间点实现最低的脑图探测预测误差。

添加pdf代下载 VIP点击下载文件