.png){kind=icon}
返回
GraphTreeGen: Subtree-Centric Approach to Efficient and Supervised Graph Generation
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-07904-6_10.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
脑连接组作为表示神经连接的图，对于理解大脑组织至关重要，但其获取成本高昂且耗时，这促使了生成方法的发展。图生成建模的最新进展提供了一种便捷的数据驱动替代方案，能够合成生成连接组并缓解对大量神经影像采集的依赖。然而，现有生成模型仍存在以下关键局限性：(i) 它们将整个图压缩为单个潜在代码，例如变分图自编码器（VGAE），从而模糊了精细的局部基序；(ii) 它们依赖于脑连接组通常不提供的丰富节点属性，这降低了重建质量；(iii) 以边为中心的模型如双图框架强调拓扑结构，但往往忽视边权重的准确预测，牺牲了定量保真度；(iv) 许多最先进的架构，如使用边条件卷积的架构，采用了计算成本高昂的架构，导致内存需求显著增加，并限制了其扩展到更大连接组的能力。为解决这些局限性，我们提出了GraphTreeGen（GTG），一种新颖的子树为中心的生成框架，专门设计用于高效准确地生成脑连接组。GTG将每个连接组分解为熵引导的k跳树，以捕获信息丰富的局部结构，然后由共享的GCN进行编码。一个二分消息传递层将子树嵌入与全局节点特征合并，一个双分支解码器联合预测边存在和权重以重建完整的邻接矩阵。实验表明，GTG在自监督任务中显著优于最先进的基线模型，并在监督设置中保持竞争力，在实现更高结构保真度和更精确的边权重的同时使用更少的内存。其模块化、资源高效的设计也为连接组超分辨率和跨模态合成的扩展奠定了基础。
Keyword:
Brain Connectome Generation
Tree-Based Graph Generation
Memory-Efficient GNNs
Computational Trees
期刊
P
IF:
0
论文数:
20
被引数:
0
机构
引用论文
An automated labeling system for subdividing the human cerebral cortex on MRI scans into gyral based regions of interest.png)
NeuroImage
NeuroImageIF0
PREAI
分享收藏Aberrant cerebral network topology and mild cognitive impairment in early Parkinson's disease早期帕金森病的异常脑网络拓扑结构和轻度认知障碍HUMAN BRAIN MAPPING
OAAI
HUMAN BRAIN MAPPINGIF3.3
OAAI分享收藏分享收藏Disease prediction using graph convolutional networks: Application to Autism Spectrum Disorder and Alzheimer's diseaseMEDICAL IMAGE ANALYSIS
MEDICAL IMAGE ANALYSISIF11.8
PREAI
分享收藏
查看更多内容