Multi-Head Graph Convolutional Network for Structural Connectome Classification

要約

拡散磁気共鳴画像から導き出される脳の接続性に基づいた分類に取り組みます。
私たちは、グラフ畳み込みネットワーク (GCN) からインスピレーションを得た機械学習モデルを提案します。これは、脳接続入力グラフを受け取り、複数のヘッドを備えた並列 GCN メカニズムを通じてデータを個別に処理します。
提案されたネットワークは、エッジとノードに焦点を当てたグラフ畳み込みを含むさまざまなヘッドを採用し、入力データから表現を完全にキャプチャするシンプルな設計です。
脳接続データから相補的で代表的な特徴を抽出するモデルの能力をテストするために、性別分類のタスクを選択しました。
これは、コネクトームが性別によってどの程度異なるのかを定量化するものであり、男女両方の健康と病気についての理解を深めるために重要です。
PREVENT-AD (被験者 347 名) と OASIS3 (被験者 771 名) という 2 つの公的に利用可能なデータセットでの実験を示します。
提案されたモデルは、古典的な手法や (グラフおよび非グラフの) 深層学習を含む、テストした既存の機械学習アルゴリズムと比較して最高のパフォーマンスを示しています。
モデルの各コンポーネントの詳細な分析を提供します。

要約(オリジナル)

We tackle classification based on brain connectivity derived from diffusion magnetic resonance images. We propose a machine-learning model inspired by graph convolutional networks (GCNs), which takes a brain connectivity input graph and processes the data separately through a parallel GCN mechanism with multiple heads. The proposed network is a simple design that employs different heads involving graph convolutions focused on edges and nodes, capturing representations from the input data thoroughly. To test the ability of our model to extract complementary and representative features from brain connectivity data, we chose the task of sex classification. This quantifies the degree to which the connectome varies depending on the sex, which is important for improving our understanding of health and disease in both sexes. We show experiments on two publicly available datasets: PREVENT-AD (347 subjects) and OASIS3 (771 subjects). The proposed model demonstrates the highest performance compared to the existing machine-learning algorithms we tested, including classical methods and (graph and non-graph) deep learning. We provide a detailed analysis of each component of our model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google