XiaoMi-AI文件搜索系统
World File Search SystemgGAN
![arxiv：2009.13217v1 [eess.iv] 28 Sep 2020](/simg/g:\will\search\icon\source\7\734de7b028dffa29c8fe279add931cc635a2e2a1.webp)
arxiv：2009.13217v1 [eess.iv] 28 Sep 2020
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。
![arXiv:2009.11166v1 [eess.IV] 2020 年 9 月 23 日](/simg/g:\will\search\icon\source\5\54a9dcebb1d830a49f0331e4afdb5e9145cdce8d.webp)
arXiv:2009.11166v1 [eess.IV] 2020 年 9 月 23 日
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。