GDAIP: 一种基于图的领域自适应框架用于个体脑区划分.pdfVIP

GDAIP:一种基于图的领域自适应框架用于个

体脑区划分

stndrd

1JianfeiZhu2HaiqiZhu3ShaohuiLiu

FacultyofComputingSchoolofMedicineandHealthFacultyofComputing

HarbinInstituteofTechnologyHarbinInstituteofTechnologyHarbinInstituteofTechnology

Harbin,ChinaHarbin,ChinaHarbin,China

thth

4FengJiang5BaichunWei

SchoolofArtificialIntelligenceSchoolofMedicineandHealth

NanjingUniversityofInformationScienceandTechnologyHarbinInstituteofTechnology

本Nanjing,ChinaHarbin,China

译bcwei@hit.edu.cn

中th

6ChuzhiYi

1

vSchoolofMedicineandHealth

7HarbinInstituteofTechnology

2

7Harbin,China

1chuzhiyi@hit.edu.cn

2

.

7

0

5摘要—最近的深度学习方法在从功能性磁共振成像用于认知神经科学[2]、精神疾病诊断[3]和神经系统疾

2

:(fMRI)中学习个体大脑分割方面显示出潜力。然而，大多数现有病研究[4]。在各种fMRI分析策略中，基于节点的分析

v

i方法假设跨领域数据分布一致，并且难以处理现实世界跨数据集因其在特征提取和网络建模方面的效率而扮演着关键

x场景固有的领域变化。为了解决这一挑战，我们提出了图域适应

r角色[5]。该方法通常依赖于预定义的大脑图谱将大脑

a用于个体分割(GraphDomainAdaptationforIndividual

分割成功能不同的区域（即，分块），然后计算每个区

Parcellation,GDAIP)，这是一个将图注意力网络(GAT)与

最小最大熵(MME)基于的领域适应相结合的新框架。我们在域内体素或顶点级别的信号平均值以获得代表性的时

组和个体层面构建跨数据集的大脑图。通过利用半监督训练以及间序列[6]。这些区域性的时间序列可以用于构建功能

对目标大脑图中未标记顶点预测熵的对抗优化，参考图谱从群体性连接（FC）网络或直接作为分类、聚类或预测等下游

水平大脑图适应到个体大脑图，从而在跨数据集设置下实现个体任务的特征。

分割。我们使用分割可视化、Dice系数和功能同质性来评估我

们的方法。实验结果表明，GDAIP产生的个体分割具有拓扑上基于节点的方法减少了fM