机构名称：
¥ 2.0
机器学习提供了一种有价值的工具，用于分析高维功能神经影像学数据，并证明可以有效预测各种神经系统疾病，精神疾病和认知模式。在功能磁共振成像（MRI）研究中，大脑区域之间的相互作用是使用基于图的表示形式建模的。图形机学习方法的效力已经在跨众多域中建立，标志着数据解释和预测建模的跨形成一步。，尽管他们有希望，但由于潜在的预处理管道数量的庞大数量以及基于图的数据集构建的大量参数搜索空间，这些技术向神经影像域的换位一直在挑战。在本文中，我们介绍了神经图1，这是基于图的神经影像数据集的集合，并展示了其用于预测多种行为和认知性状的实用性。我们通过制作包含静态和动态大脑连接性的35个数据集，深入研究数据集生成搜索空间，运行超过15种基线方法进行基准测试。此外，我们还提供通用框架 - 用于在静态图和动态图上学习。我们的广泛实验导致了几个关键观察。值得注意的是，使用相关向量作为节点特征，结合了更多的感兴趣区域并使用稀疏图会提高性能。为了促进基于图的数据驱动神经成像分析的进一步进步，我们提供了一个全面的开源Python软件包，其中包括基准数据集，基线实现，模型培训和标准评估。
神经仪：大脑连接组中图形机学习的基准
主要关键词
相关文件推荐
