【论文标题】Brain Multigraph Prediction using Topology-Aware Adversarial Graph Neural Network

【作者团队】Alaa Bessadok, Mohamed Ali Mahjoub, Islem Rekik

【发表时间】2021/05/06

【机 构】伊斯坦布尔科技大学，伊斯坦布尔

【论文链接】https://arxiv.org/pdf/2105.02565.pdf

 

【推荐理由】本文出自伊斯坦布尔科技大学，针对于目前非常缺乏从单一来源的脑图合成多个脑图、现有的图生成工作主要聚焦于每个目标，在联合预测多个目标域时限制了预测的可伸缩性、忽略节点规模的局部拓扑等问题，本文引入了拓扑感知图GAN架构（topoGAN），从一个脑图联合预测多个脑图，同时保留每个目标图的拓扑结构。实验结果表明，与基线方法相比，该方法在单个图的脑部多图预测中表现出色。

 

由医学扫描如磁共振成像（MRI）构造的脑图（即连接体）已成为表征人脑异常变化的越来越重要的工具。由于多模式MRI的高昂购置成本和处理时间，基于生成对抗网络（GAN）的现有深度学习框架着重于从几种现有模式中预测缺失的多模式医学图像。尽管脑图有助于更好地理解特定疾病如何改变大脑的连接面，但仍然非常缺乏从单一来源的脑图合成目标脑多图（即多个脑图）的方法。另外，现有的图生成工作主要针对每个目标域学习一个模型，这在联合预测多个目标域时限制了它们的可伸缩性。此外，尽管他们考虑了图的全局拓扑规模（即图连通性结构），但他们却忽略了节点规模的局部拓扑（例如节点在图中的居中程度）。为了解决这些局限性，本文引入了拓扑感知图GAN架构（topoGAN），该架构可以从一个脑图联合预测多个脑图，同时保留每个目标图的拓扑结构。它的三项关键创新是：（i）设计一种新颖的图对抗自动编码器，以从一个图预测自动对脑图；（ii）对编码的源图进行聚类，以处理GAN的模式崩溃问题，并提出一个聚类-特定解码器；（iii）引入拓扑损失以强制预测拓扑合理的目标脑图。使用五个目标域的实验结果表明，与基线方法相比，本文的方法在单个图的脑部多图预测中表现出色。

 

下图为常规脑图预测方法和拟议的脑多图预测架构图，A图显示脑图合成工作中采用的一对一策略，这样的策略不能同时从单个图预测多个目标图，这限制了它们对从一个或多个磁共振成像（MRI）模态（例如，T1-8或静止状态功能MRI）衍生的脑多图的可扩展性.B图为了弥补这一空白，提出了一对多的学习架构，旨在从源图预测目标大脑多图。

图1 常规脑图预测方法和拟议的脑多图预测架构图

内容中包含的图片若涉及版权问题，请及时与我们联系删除