Classification of developmental and brain disorders via graph convolutional aggregation

要約

グラフ畳み込みベースの手法は、グラフ表現学習の事実上の標準となっていますが、疾患予測タスクへの応用は、特に神経発達性および神経変性脳障害の分類においては依然としてかなり限定されています。
この論文では、グラフ サンプリングでの集約、およびスキップ接続とアイデンティティ マッピングを活用することにより、集約正規化グラフ畳み込みネットワークを紹介します。
提案されたモデルは、予測能力を強化し、脳疾患の根底にあるメカニズムについて全体的な視点を提供することを目的として、画像化機能と非画像化機能の両方をそれぞれグラフ ノードとエッジに組み込むことによって、グラフ ノードの識別表現を学習します。
スキップ接続により、入力特徴からネットワークの後続層への情報の直接の流れが可能になり、アイデンティティ マッピングは特徴の学習中にグラフの構造情報を維持するのに役立ちます。
私たちは、自閉症スペクトラム障害とアルツハイマー病をそれぞれ予測するために、自閉症脳画像データ交換 (ABIDE) とアルツハイマー病ニューロイメージング イニシアチブ (ADNI) という 2 つの大規模なデータセットに基づくいくつかの最近のベースライン手法に対してモデルをベンチマークします。
実験結果は、いくつかの評価指標の点で最近のベースラインと比較して、私たちのアプローチの競合パフォーマンスを示しており、ABIDE と ADNI のグラフ畳み込みネットワークに対して分類精度でそれぞれ 50% と 13.56% の相対的な向上を達成しています。

要約(オリジナル)

While graph convolution based methods have become the de-facto standard for graph representation learning, their applications to disease prediction tasks remain quite limited, particularly in the classification of neurodevelopmental and neurodegenerative brain disorders. In this paper, we introduce an aggregator normalization graph convolutional network by leveraging aggregation in graph sampling, as well as skip connections and identity mapping. The proposed model learns discriminative graph node representations by incorporating both imaging and non-imaging features into the graph nodes and edges, respectively, with the aim of augmenting predictive capabilities and providing a holistic perspective on the underlying mechanisms of brain disorders. Skip connections enable the direct flow of information from the input features to later layers of the network, while identity mapping helps maintain the structural information of the graph during feature learning. We benchmark our model against several recent baseline methods on two large datasets, Autism Brain Imaging Data Exchange (ABIDE) and Alzheimer’s Disease Neuroimaging Initiative (ADNI), for the prediction of autism spectrum disorder and Alzheimer’s disease, respectively. Experimental results demonstrate the competitive performance of our approach in comparison with recent baselines in terms of several evaluation metrics, achieving relative improvements of 50% and 13.56% in classification accuracy over graph convolutional networks on ABIDE and ADNI, respectively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google