arxiv：2204.09840v1 [eess.sp] 2022年4月21日__

arxiv：2204.09840v1 [eess.sp] 2022年4月21日

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：2204.09840v1 [eess.sp] 2022年4月21日

¥ 1.0

热度

摘要。可以通过观察大脑结构和功能连接性中的替代性来检测几种脑部疾病。神经疾病的发现表明，诸如轻度认知障碍（MCI）之类的脑疾病的早期诊断可以预防甚至将其发展为阿尔茨海默氏病（AD）。在这种情况下，最近的研究旨在通过提出在大脑图像上使用的机器学习模型来预测大脑连接的演变。但是，这种方法是昂贵且耗时的。在这里，我们建议将脑连接性用作更有效的替代方案，以通过大脑来依赖时间依赖大脑的诊断，而相反，大型互连图表征了几个大脑区域之间的相互连接方案。我们称我们提出的方法复发性脑图映射器（RBGM），这是一种新型的基于边缘的复发图神经网络，可预测单个基线中脑图的时间依赖性评估轨迹。我们的rbgm包含一组反复的neu-ral网络启发映射器，每个时间点都旨在将地面真相脑图投射到下一个时间点上。我们利用教师强迫方法来提高训练并提高进化的大脑图质量。为了在每个时间点保持预测的脑图及其相应的地面脑图之间的拓扑一致性，我们进一步整合了拓扑损失。我们还使用L 1损失来捕获时间依赖性，并最大程度地减少正规化的连续时间点脑图之间的差异。针对RBGM和最新方法的几种变体的基准表明，我们可以在更有效地预测大脑图演化方面达到相同的准确性，为新颖的图形神经网络体系结构和高度有效的训练方案铺平了道路。我们的RBGM代码可在https://github.com/basiralab/rbgm上找到。

添加pdf代下载 VIP点击下载文件