机构名称:
¥ 4.0
本文提出了一个新颖的拓扑学习框架,可以通过固有的同源性整合不同大小和拓扑的网络。这是通过引入新的拓扑损失函数来实现此类具有挑战性的任务的可能性。所提出的损失函数的使用绕过与匹配网络相关的固有计算瓶颈。我们在广泛的统计模拟中验证了该方法,其基础真理,以评估拓扑损失的效果,并以不同的拓扑结构区分网络作品。该方法进一步应用于双脑成像研究,以确定大脑网络是否在本质上是可遗传的。挑战在于,从静止状态功能磁共振成像(FMRI)获得的拓扑不同的功能性脑网络叠加到通过通过二量张量图像(DTI)获得的模板结构脑网络。