InceptionGCN
Methodology
Affinity graph construction
构造Affinity Graph的关键是能够精准的建模病人之间的交互作用,Affinity Graph是将所有样本(训练集+测试集),下图为文中所涉及到的符号。
符号 | 含义 | 符号 | 含义 |
---|---|---|---|
G ( V , E , W ) G(V,E,W) G(V,E,W) | 图 | n i n_i ni | 图中的节点 |
V=|N| | 节点 | η \eta η | 患者之间非成像数据 |
E E E | 边 | x i ∈ R N x_i\in\mathbb{R}^N xi∈RN | 节点 n i n_i ni的特征 |
W ∈ R N × N W\in \mathbb{R}^{N \times N} W∈RN×N | 边的权重 | E ∈ R N × N E\in\mathbb{R}^{N\times N} E∈RN×N | 二值化邻接矩阵 |
边
E
E
E定义如下:
η
i
\eta_i
ηi与
η
j
\eta_j
ηj是节点
i
i
i与节点
j
j
j的值,
β
\beta
β表示
t
h
r
e
s
h
o
l
d
threshold
threshold,权重矩阵
W
∈
R
N
×
N
W\in\mathbb{R}^{ N \times N}
W∈RN×N基于每个节点的特征之间的相关距离对边缘进行加权。
权重矩阵
W
W
W定义如下:
S
i
m
(
x
i
,
x
j
)
Sim(x_i,x_j)
Sim(xi,xj)定义如下:
ρ
\rho
ρ表示相关距离,
σ
\sigma
σ表示
k
e
r
n
e
l
kernel
kernel宽度。权重的计算以及
β
\beta
β是根据文献[11]。
最终的affinity矩阵A是根据
A
=
W
∘
E
A=W \circ E
A=W∘E,其中
∘
\circ
∘表示Hadamard product
Mathematical background of spectral convolution and localization of filters for inception modules
推导公式
编号 | 公式 | 意义 |
---|---|---|
① | L = I N − D − 1 2 A D − 1 2 L=I_N-D^{-\frac{1}{2}}AD^{-\frac{1}{2}} L=IN−D−21AD−21 | 正则化的拉普拉斯矩阵 |
② |