FE-STGNN: 融合功能连接性和有效连接性的时空图神经网络用于轻度认知障碍诊断

FE-STGNN: Spatio-Temporal Graph Neural Network with Functional and Effective Connectivity Fusion for MCI Diagnosis

摘要

这篇论文提出了一种名为FE-STGNN的方法,用于利用功能性磁共振成像(rs-fMRI)数据进行轻度认知障碍(MCI)的诊断。该方法融合了功能连接性(FC)和有效连接性(EC)两种大脑连接性模式,充分利用了它们的互补信息。主要包含以下几个亮点:

1. 构建动态功能和有效连接网络:将功能性大脑网络编码为多个图结构,以捕捉时空动态特征。
2. 时空图卷积处理:采用空间图卷积网络处理图的结构特征和时间动态特性。
   位置编码交叉注意融合:设计了一种利用EC时间演化的因果关联来指导FC网络融合的注意力机制。
3. 实验结果验证:该方法在公开MCI诊断数据集上取得了82%的诊断准确率,优于现有最先进的方法。
   代码地址

方法

图1. 基于rs-fMRI数据的提出的FE-STGNN模型用于MCI诊断。

a)是所提出方法的整体框架。

b)从红色节点的角度描述了动态FC和EC网络的空间图卷积的详细过程。

c) 说明了如何在EC的引导下,使用注意力机制来聚合FC信息

实验结果