文章目录
Attentive Deep Canonical Correlation Analysis for Diagnosing Alzheimer’s Disease Using Multimodal Imaging Genetics
摘要
该论文提出了一种名为专注深度规范相关分析(ADCCA)的新模型,用于利用多模态脑成像遗传学数据诊断阿尔茨海默病。ADCCA结合了深度神经网络、注意力机制和规范相关分析的优势,以整合和利用来自多个数据模态的互补信息。这导致了更好的可解释性和强大的多模态特征学习能力。使用ADNI数据库对ADCCA模型进行评估,其中包括三种成像模态(VBM-MRI、FDG-PET和AV45-PET)和基因SNP数据。结果表明,这种方法可以实现出色的性能,并识别出阿尔茨海默病诊断的有意义的生物标志物。
代码地址
本文方法
该论文提出的框架概述:X1,···,X4 是输入的模态数据,而 Y 是标签信息。首先,深度神经网络(DNNs)对每个模态进行操作,生成每个模态的隐藏表示。这些隐藏表示经过自注意力机制生成改进的自注意力表示。同时,利用基于CCA的个体投影矩阵U1,…,U4,Uy将隐藏表示和标签Y相乘,将它们映射到共享表示G。最后,疾病预测通过自注意力表示与投影矩阵和共享表示G进行计算。
CCA模块是指规范相关分析(Canonical Correlation Analysis),它是一种统计方法,用于衡量两组变量之间的相关性,并且尝试找到它们之间的线性关系。在该论文中,CCA模块用于将隐藏表示和标签信息映射到一个共享的表示空间,以便在该空间中执行进一步的分析和预测。CCA模块通常通过计算投影矩阵来实现这种映射,这些投影矩阵可以将原始数据投影到共享空间中,使得相关性最大化。
实验结果