MHNet: Multi-view High-order Network for Diagnosing Neurodevelopmental Disorders Using Resting-state fMRI

要約

背景ディープラーニングモデルは、ASDやADHDのような神経発達障害（NDD）の診断において有望視されている。しかし、多くのモデルは、グラフニューラルネットワーク（GNN）を用いて単一レベルの脳機能ネットワーク（BFN）を構築するか、rs-fMRIデータから局所情報を抽出するために空間畳み込みフィルタリングを採用しており、NDD分類に重要な高次特徴を無視していることが多い。方法我々は、NDD予測のために、rs-fMRIデータから得られたマルチビューBFNから階層的かつ高次の特徴を捉えるために、マルチビュー高次ネットワーク（MHNet）を導入する。MHNetは、ユークリッド空間特徴抽出(ESFE)モジュールと非ユークリッド空間特徴抽出(Non-ESFE)モジュール、そしてNDD同定のための特徴融合に基づく分類(FFC)モジュールの2つのブランチを持つ。ESFEは、ユークリッド空間のBFNから局所的特徴量と高次特徴量を抽出するための機能的結合生成（FCG）モジュールと高次畳み込みニューラルネットワーク（HCNN）モジュールを含む。Non-ESFEは、Generic Internet-like Brain Hierarchical Network Generation (G-IBHN-G)モジュールとHigh-order Graph Neural Network (HGNN)モジュールから構成され、非ユークリッド空間における位相幾何学的特徴と高次特徴を捉える。結果3つの公開データセットを用いた実験により、MHNetはAAL1とBrainnetome Atlasの両方のテンプレートを用いた最先端の手法を上回ることが示された。広範なアブレーション研究により、MHNetの優位性と、マルチビューfMRI情報と高次特徴量を使用することの有効性が確認された。我々の研究はまた、より洗練された階層的ネットワークを構築するためのアトラスオプションを提供し、主要な脳領域とNDDとの関連を説明する。結論MHNetは、ユークリッド空間と非ユークリッド空間の両方から多視点特徴学習を活用し、BFNからの高次情報を組み込んでNDD分類性能を向上させる。

要約(オリジナル)

Background: Deep learning models have shown promise in diagnosing neurodevelopmental disorders (NDD) like ASD and ADHD. However, many models either use graph neural networks (GNN) to construct single-level brain functional networks (BFNs) or employ spatial convolution filtering for local information extraction from rs-fMRI data, often neglecting high-order features crucial for NDD classification. Methods: We introduce a Multi-view High-order Network (MHNet) to capture hierarchical and high-order features from multi-view BFNs derived from rs-fMRI data for NDD prediction. MHNet has two branches: the Euclidean Space Features Extraction (ESFE) module and the Non-Euclidean Space Features Extraction (Non-ESFE) module, followed by a Feature Fusion-based Classification (FFC) module for NDD identification. ESFE includes a Functional Connectivity Generation (FCG) module and a High-order Convolutional Neural Network (HCNN) module to extract local and high-order features from BFNs in Euclidean space. Non-ESFE comprises a Generic Internet-like Brain Hierarchical Network Generation (G-IBHN-G) module and a High-order Graph Neural Network (HGNN) module to capture topological and high-order features in non-Euclidean space. Results: Experiments on three public datasets show that MHNet outperforms state-of-the-art methods using both AAL1 and Brainnetome Atlas templates. Extensive ablation studies confirm the superiority of MHNet and the effectiveness of using multi-view fMRI information and high-order features. Our study also offers atlas options for constructing more sophisticated hierarchical networks and explains the association between key brain regions and NDD. Conclusion: MHNet leverages multi-view feature learning from both Euclidean and non-Euclidean spaces, incorporating high-order information from BFNs to enhance NDD classification performance.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL