Multi-Modal Hypergraph Diffusion Network with Dual Prior for Alzheimer Classification

要約

アルツハイマー病の前駆期を自動的に早期診断することは、患者のQOLを向上させる治療にとって非常に重要である。我々はこの問題をマルチモーダルな分類課題として扱う。マルチモーダルデータは、より豊かで相補的な情報を提供する。しかし、既存の技術は、データ間の低次の関係と単一/マルチモーダル画像データのどちらかしか考慮していない。本研究では、アルツハイマー病診断のための新しい半教師付き超グラフ学習フレームワークを紹介する。本フレームワークは、マルチモーダル画像データと非画像データの間の高次の関係性を、極小のラベル付き集合を必要としながらも、可能にするものである。まず、データのセマンティクスを保持したロバストな超グラフを構築するための二重埋め込み戦略を導入する。これは、コントラストに基づくメカニズムを用いて、画像とグラフのレベルで摂動不変性を強制することによって達成される。次に、予測の不確実性を改善するために、半明示的なフローを介して、動的に調整された超グラフ拡散モデルを提示する。我々は、実験を通して、我々のフレームワークがアルツハイマー病診断のための現行技術を凌駕することができることを実証する。

要約(オリジナル)

The automatic early diagnosis of prodromal stages of Alzheimer’s disease is of great relevance for patient treatment to improve quality of life. We address this problem as a multi-modal classification task. Multi-modal data provides richer and complementary information. However, existing techniques only consider either lower order relations between the data and single/multi-modal imaging data. In this work, we introduce a novel semi-supervised hypergraph learning framework for Alzheimer’s disease diagnosis. Our framework allows for higher-order relations among multi-modal imaging and non-imaging data whilst requiring a tiny labelled set. Firstly, we introduce a dual embedding strategy for constructing a robust hypergraph that preserves the data semantics. We achieve this by enforcing perturbation invariance at the image and graph levels using a contrastive based mechanism. Secondly, we present a dynamically adjusted hypergraph diffusion model, via a semi-explicit flow, to improve the predictive uncertainty. We demonstrate, through our experiments, that our framework is able to outperform current techniques for Alzheimer’s disease diagnosis.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL