Graph Neural Networks for Brain Graph Learning: A Survey

通过探索人类大脑的复杂结构，可以更好地理解其功能和诊断脑部疾病。随着神经影像技术的进步，出现了一种新的方法，将人类大脑建模为图形结构模式，其中不同的脑区表示为节点，这些区域之间的功能关系表示为边缘。此外，图神经网络（GNN）在挖掘图形结构数据方面表现出了显著优势。近年来，开发GNN以学习大脑图表征以进行脑部疾病分析已经引起了越来越多的关注。然而，目前缺乏系统性的调查工作，总结该领域中当前的研究方法。本文旨在通过回顾利用GNN进行大脑图形学习的研究工作来填补这一空白。我们首先介绍基于常见神经影像数据的大脑图形建模过程。随后，我们根据生成的大脑图形类型和目标研究问题对当前的工作进行系统分类。为了使这项研究对更广泛的研究人员可用，我们提供了代表性方法和常用数据集的概述，以及它们的实现来源。最后，我们提出了未来研究方向的见解。本调查的存储库可在\url{https://github.com/XuexiongLuoMQ/Awesome-Brain-Graph-Learning-with-GNNs}上找到。

本文旨在系统综述利用图神经网络（GNNs）学习大脑图谱表示的研究方法，以用于大脑障碍分析。

本文通过将大脑区域表示为节点，将这些区域之间的功能关系表示为边的方式，将人类大脑建模为图结构，然后使用图神经网络（GNNs）来学习大脑图谱表示。

本文系统分类了当前的研究工作，包括生成的大脑图谱类型和目标研究问题。文章提供了代表性方法和常用数据集的概述，以及它们的实现源。本文还提供了未来研究方向的见解。

最近的相关研究包括：1. Graph Convolutional Neural Networks for Brain Connectivity Analysis; 2. BrainNetCNN: Convolutional neural networks for brain networks; 3. Brain Graph Topology Classification Using Convolutional Neural Networks; 4. Brain Functional Network Classification with Deep Convolutional Neural Networks.