A Deep Probabilistic Spatiotemporal Framework for Dynamic Graph Representation Learning with Application to Brain Disorder Identification

要約

機能的接続性 (FC) を使用した脳のコネクトーム分類に対するパターン認識技術の最近のアプリケーションでは、非ユークリッド トポロジーと時間の経過に伴う脳の接続性の因果ダイナミクスが無視されています。
この論文では、変分ベイズ (DSVB) に基づいて開発された深い確率的時空間フレームワークが、自閉症スペクトラム障害 (ASD) 識別のための動的脳 FC ネットワークにおける時変トポロジー構造を学習するために提案されています。
提案されたフレームワークには、動的な FC ネットワーク全体で豊富な時空間パターンをキャプチャする空間認識リカレント ニューラル ネットワークが組み込まれています。
限られたトレーニング データセットでのモデルのオーバーフィッティングを克服するために、敵対的トレーニング戦略を導入して、目に見えない脳ネットワークにうまく一般化するグラフ埋め込みモデルを学習します。
ABIDE 静止状態の機能的磁気共鳴イメージング データセットの評価は、提案されたフレームワークが ASD の特定において最先端の方法よりも大幅に優れていることを示しています。
DSVB 学習埋め込みを使用した動的 FC 分析により、ネットワーク プロファイルおよび脳状態のスイッチング ダイナミクスにおける ASD と健康なコントロールとの間の明らかなグループの違いが明らかになります。

要約(オリジナル)

Recent applications of pattern recognition techniques on brain connectome classification using functional connectivity (FC) neglect the non-Euclidean topology and causal dynamics of brain connectivity across time. In this paper, a deep probabilistic spatiotemporal framework developed based on variational Bayes (DSVB) is proposed to learn time-varying topological structures in dynamic brain FC networks for autism spectrum disorder (ASD) identification. The proposed framework incorporates a spatial-aware recurrent neural network to capture rich spatiotemporal patterns across dynamic FC networks, followed by a fully-connected neural network to exploit these learned patterns for subject-level classification. To overcome model overfitting on limited training datasets, an adversarial training strategy is introduced to learn graph embedding models that generalize well to unseen brain networks. Evaluation on the ABIDE resting-state functional magnetic resonance imaging dataset shows that our proposed framework significantly outperformed state-of-the-art methods in identifying ASD. Dynamic FC analyses with DSVB learned embeddings reveal apparent group difference between ASD and healthy controls in network profiles and switching dynamics of brain states.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google