脑-HGCN：一种用于大脑功能网络分析的双曲图卷积网络.pdfVIP

脑-HGCN：一种用于大脑功能网络分析的双曲图卷积网络

JunhaoJia,YunyouLiu,ChengYang,YifeiSun,FeiweiQin,ChangmiaoWang,YongPeng

HangzhouDianziUniversity,Hangzhou,China

ZhejiangUniversity,Hangzhou,China

ShenzhenResearchInstituteofBigData,Shenzhen,China

Correspondingauthor:qinfeiwei@hdu.edu.cn

ABSTRACT

功能性磁共振成像（fMRI）通过生成复杂的功能网络提供了一

个强大的非侵入性窗口，用以观察大脑的功能组织，这些网络

通常被建模为图。这些脑网络表现出一种分层拓扑结构，这对

于认知处理至关重要。然而，由于内在的空间限制，标准的欧

本几里得GNN难以在不产生高失真情况下表示这种分层结构，

这限制了它们的临床性能。为了应对这一局限性，我们提出了

译Brain-HGCN，这是一个基于双曲几何的几何深度学习框架，

它利用负曲率空间的内在属性以高度保真的方式建模大脑网络

中层次结构。基于Lorentz模型，我们的模型采用了一种新颖的

1带有符号聚合机制的双曲图注意力层，用以区分处理兴奋性和

v抑制性连接，并通过几何上合理的Fréchet平均进行图级读出

5学习稳健的图级表示。在两个大规模fMRI数据集上的精神病

6分类实验表明，我们的方法显著超越了广泛的最先进的欧几里Fig.1:(a)大脑功能网络内在的层次拓扑结构。(b)欧氏嵌入

9得基线模型。这项工作开创了一种用于fMRI分析的新几何深通过压缩层次距离导致高失真。(c)双曲嵌入以高保真度保留

4度学习范式，突显了双曲GNN在计算精神病学领域中的巨大这些层次关系。

1潜力。

.

9IndexTerms—双曲学习，洛伦兹模型，脑功能网络，计

0算精神病学架将功能连接数据嵌入到双曲空间中，利用其指数扩张特性自

5然地编码层级关系，如图1所示。我们的主要贡献是：

21.介绍(1)我们开创了Brain-HGCN，这是一种几何范式，将大

:脑的分层拓扑结构嵌入到洛伦兹双曲面以克服欧几里得表示

v

i精神和神经发育障碍在全球范围内造成了重大负担，然而限制。

x它们的神经基础仍然知之甚少[1,2]。功能磁共振成像(fMRI)(2)我们构建了一个双曲注意力机制，其带符号的聚合方

r因其非侵入性和高时空分辨率，已成为研究这些状况的关键工案能够实现几何原理上的消息传递，从而区分兴奋性和抑制性

a

具，这使得测量BOLD信号和构建脑功能网络[3,4]成为可路径。

能。由分布的脑区及其同步活动组成，这些网络表现出高度有序(3)我们提出了一个曲率感知读出策略，该策略采用弗雷

的层级组织，这对于大脑高效处理和整合信息的能力至关重要歇平均值在双曲线空间内直接导出无失真且符合流形本性的大

[5,6]。脑表示。

然而，主流方法[7,8,9]依赖于假设数据空间为平坦的欧

几里得几何框架，这一假设与分