GNN-Based Unified Deep Learning

doi:10.1007/978-3-032-07904-6_4

2026-01-01

PRE

Furkan Pala

Islem Rekik *

DOI：10.1007/978-3-032-07904-6_4

原文链接

原文求助

摘要

En 中文

深度学习模型在医学影像中常难以保持鲁棒泛化性，尤其是在因成像技术、采集协议、患者群体、人口统计和设备差异导致分布发生变化的领域断裂场景下。实践中，各医院可能需要开发训练功能（学习任务）和形态（如宽度、深度）各异的模型以处理本地数据分布。例如，某医院可能使用欧氏架构（如MLP和CNN）处理结构化表格数据或规则网格图像数据，而另一医院可能需部署非欧氏架构（如图神经网络GNN）处理脑连接组等固有非规则数据或图结构生物医学信息。然而，如何跨不同数据集协同训练此类异构模型以提升各模型泛化性，仍是一个开放且具挑战性的问题。本文通过引入统一学习这一新范式解决该问题。为应对异构架构的拓扑差异，我们先将各模型编码为图表示，使其能在共享图学习空间中统一。在此空间中，GNN引导统一模型的优化。通过解耦各深度学习模型的参数并由统一GNN（uGNN）控制，我们的方法实现了跨不同架构（MLP、CNN和GNN）与分布的参数共享和知识迁移，最终提升泛化性。我们在MorphoMNIST和两个MedMNIST基准（PneumoniaMNIST和BreastMNIST）上评估了该框架，发现统一学习在模型针对独特分布训练、混合分布测试时提升了各模型性能，表明其对具有强分布漂移的未见数据的泛化能力。我们的源代码、基准和评估数据集可访问https://github.com/basiralab/uGNN。

Keyword:

unified learning

heterogeneous deep learning

graph neural networks

domain-fracture

medicalimaging

期刊

PREDICTIVE INTELLIGENCE IN MEDICINE, PRIME 2025

IF:

论文数:

被引数:

机构

imperial college london

学者数:

9.9K

论文数: 4.4K

被引数: 0

引用论文

Unsupervised Domain Adaptation in Brain Lesion Segmentation with Adversarial Networks

Lecture Notes in Computer Science

IF0

2017-05-23

PREAI

Konstantinos Kamnitsas; Christian Baumgartner; Christian Ledig; Virginia Newcombe; Joanna Simpson; Andrew Kane; David Menon; Aditya Nori; Antonio Criminisi; Daniel Rueckert; Ben Glocker

Deep Learning in Medical Image Analysis 深度学习在医学图像分析中的应用

annual review of biomedical engineering

IF0

2017-06-21

3.0K