Graph Convolutional Network with Morphometric Similarity Networks for Schizophrenia Classification论文

Graph Convolutional Network with Morphometric Similarity Networks for Schizophrenia Classification

摘要

使用神经影像学数据进行精神分裂症分类引起了人们的极大兴趣。图卷积网络 （GCN） 为使用源自神经影像学数据的大脑图来改进精神分裂症分类提供了巨大的潜力。然而，由于精神分裂症的异质性及其在神经影像学特征上的细微差异，精神分裂症的准确分类仍然具有挑战性。
本文提出了一种新的基于人群的精神分裂症分类的图卷积框架，该框架利用从结构 MRI 扫描推断的形态相似性网络的图论测量，并结合变分边缘来加强学习过程。
本文基于从 T1 加权 MRI 中提取的多个形态特征（皮质厚度、表面积、灰质体积、平均曲率和高斯曲率）的区域间相似性构建了单独的形态计量相似性网络。然后，我们制定了一个自适应种群图，其中每个节点由单个形态计量相似性网络的拓扑特征表示，每个边对受试者拓扑特征之间的相似性进行建模，并结合表型信息。设计了一个编码模块来估计受试者表型数据之间的关联，并自适应地优化边缘权重。

本文方法

基于Desikan-Killiany图谱的308个皮质区域图谱。在每个受试者中，该程序产生了 1540 个形态测量特征（灰质体积、表面积、皮质厚度、高斯曲率和平均曲率的 308 个区域测量值
每个受试者的形态特征可以表示为一组长度为 5 的 308 个向量。每个形态特征在 308 个区域中进行了标准化，因此数据的平均值为 0，标准差为 1。
通过计算所有（i，j）区域属性的区域i和区域j的z归一化形态特征之间的Pearson相关系数，构建了代表单个MSN的N×N相关矩阵。该过程导致每个受试者的 308 × 308 个 MSN

每个受试者都与一组成像和表型信息相关联。我们将总体图定义为无向加权图 G = （V， E， W），其中 V 是 |V|= N 个节点，E 是一组边。W ∈ RN×N 是总体图 G 的加权邻接矩阵。每个节点 v 代表一个受试者，节点的特征向量是从成像数据中提取的。每条边定义为节点之间的相似度。构建总体模型所需的两个主要决策是定义表示每个节点的特征向量，以及与其边和权重相对应的图形的连通性。

图形边。计算图形边缘的过程包括两个步骤：计算初始边缘权重和通过编码器进行自适应学习。使用成像特征和分类信息确定节点之间的初始相似性。考虑一组 H 分类表型测量 M = {Mh}，例如性别和扫描部位，节点 v 和 w 之间的初始边缘权重 WI 定义如下：

实验结果