基于自适应双曲图卷积的脑网络分类方法

摘要

人脑本质上是一个极其复杂的网络，研究脑网络可以为理解大脑机理及脑疾病的病理机制提供新的视角.目前，基于图卷积网络（Graph Convolution Network,GCN）的深度学习方法因其在图结构数据学习方面的强大能力，被广泛应用于脑网络分析，并在脑疾病诊断中取得了显著进展.然而，现有的GCN方法存在两个问题：（1）仅关注节点在欧式空间的局部特征，难以有效刻画脑网络中无标度、小世界等全局特征；（2）使用手工构建的邻接矩阵，无法捕捉大脑中的自发波动，忽视了潜在的拓扑结构信息.为了解决上述问题，提出一种基于自适应双曲图卷积网络（Adaptive Hyperbolic Graph Convolution Network,AH-GCN）的脑网络分类模型.具体地，AH-GCN首先使用双向门控循环单元自适应生成邻接矩阵，然后将节点特征嵌入双曲空间，并在双曲空间中进行图表示学习，最后将整图表示送入分类器，实现疾病的诊断预测.在Autism Brain Imaging Data Exchange (ABIDE)与Alzheimer's Disease Neuroimaging Initiative (ADNI)数据集上的实验结果表明，AH-GCN在脑网络任务上的性能优于现有的主流方法 .

关键词

双曲空间 / 自适应学习 / 图神经网络 / 脑网络 / 疾病诊断