Song X, Zhou F, Frangi A F, et al. Graph convolution network with similarity awareness and adaptive calibration for disease-induced deterioration prediction[J]. Medical Image Analysis, 2020, 69: 101947.
此篇論文中Song等人設計了一種自適應的相似感知校準圖卷積網路模型(SAC-GCN)，綜合利用功能磁共振成像(fMRI)和彌散張量成像(DTI)資訊，提高了對阿茲海默癥(AD)的預測分類準確率
相似度的計算是計算相關特征向量之間的距離,這限制了預測性能,尤其是對預測臨床前期主觀記憶擔憂(SMC)和輕度認知障礙(MCI)，在本文中，提出了改進GCN的機制，即相似感知自適應校準GCN (sac-gcn)，用于區分預測SMC和MCI，
首先，設計了一個相似性感知圖，使用不同的感知域來考慮疾病狀態，圖上被標記的受試者只與那些被標記的具有相同地位的受試者有聯系，其次，提出了一種自適應的相似性評價機制，具體來說，我們利用傳統的相關距離來評估相似度來構建初始的GCN，然后利用訓練樣本對初始的GCN進行預訓練，并將其用于所有被試的評分，然后，這些分數之間的差值代替相關距離來更新相似性，最后，設計了一種將功能磁共振成像(fMRI)和擴散張量成像(DTI)資訊融合到邊緣的定標機制，
本文提出了一種相似性感知自適應校準的GCN網路模型，該GCN使用了對應于fMRI和DTI資料的兩個GCN模型，并通過聯合權重機制來平衡它們的輸出，本文提出了三種機制，首先，在圖上設計相似性感知的接受域，以考慮疾病狀態的差異，具體來說，代表一個訓練樣本的每個標有標簽的節點只與那些具有相同疾病狀態的標有標簽的節點相連，表示測驗樣本的每個未標記節點可以與圖上的每個節點連接，
其次，本文提出了一種自適應機制，利用預評分之間的差異來代替相關距離來估計更準確的相似性，具體來說，模型使用了基于相關距離計算的初始相似度來構建初始圖，并使用訓練樣本進行GCN的預訓練，然后用預先訓練過的GCN給所有訓練專案打分，這些預評分之間的差異被用來形成更新后的相似性，這是由預先訓練的GCNs導致的相似性度量優于相關距離，第三，基于fMRI功能網路和DTI結構網路的相關互補關系，提出了一種融合功能和結構資訊到邊緣的校正機制，
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/273805.html
標籤：其他