《Linear Graph Convolutional Model for Diagnosing Brain Disorders Zarina》阅读笔记

Zarina》)

---

前言

很久没更新了，虽然最近有在读文章，但是一直懒得写。个人认为，这篇文章的创新点其实不大，只是把一些现存的东西应用到了医学领域。自己近期也在做类似的课题，并且还是有看了就忘的老毛病，所以记一些笔记让自己能更好的回顾。

论文地址：https://link.springer.com/chapter/10.1007/978-3-030-36683-4_65
代码地址：https://github.com/zarina-aniraz/linear-graph-convolution

---

一、简要介绍

现在根据静息态的功能磁共振（Resting-state fMRI）做疾病分类的比较多，任务态的相对较少（也可能是我读的文章不够多）。在此基础上，还可以进行比较详细的划分：机器学习分类方法以及深度分类方法。早期的文章都是用机器学习的方法来做的，根据一些人工设计的特征去训练模型。随着深度学习的发展，研究人员开始把CNN，GNN这样的模型应用到这个方向上来。然后呢，用GNN模型的文章又可以分为两类，分别是Individual level 和 Population level。

Individual level（左侧）：将一个被试构建成一个graph，然后通过一些池化的手段得到全图的表示并将其用于分类。
Population level（右侧）：将一个被试看作一个节点，所有的被试组成一个graph，然后通过GNN模型预测节点的标签。

下面就用一个表格来稍微总结一下这两种方式之间的区别：

二、实验

1.模型

作者考虑到数据集很小（被试数量少于1000），使用GCN模型只会带来不必要的复杂性（由于有非线性激活函数的存在）以及训练时间成本的增大和准确率的下降。所以这里作者就直接用了SGC模型，Simple Graph Convolution，去掉了卷积层之间的非线性激活函数。

2.特征及边

我感觉文章对于特征以及边的构建讲的都比较模糊，所以去看了看源码，源码还是写的比较详细的。

首先讲一下节点的初始特征特征F：取被试的功能连接矩阵的上三角阵（平铺）并对其做标准化，该向量作为该节点（被试）的特征向量。

其次是邻接矩阵A：根据被试的表型特征（性别，年龄，惯用手，扫描地点等），计算被试与被试之间的距离。

其中m代表表型特征的个数，|| ||_H代表汉明距离。最终的邻接矩阵根据如下的公式（标准化）计算得到：

三、实验结果

Graph_no_features：用大小和节点数量相等的单位阵代替原先的特征矩阵。

Graph_random：在节点与节点之间随机构造边。根据代码，它所构造的边的取值是[0, 0.5, 1]，然后再做标准化。

Graph_identity：邻接矩阵用单位阵代替。

参数敏感性实验：

果然GNN模型还是不能叠太深，不然不是过平滑的问题就是过拟合的问题。

总结

无。