Lateralization-aware multi-view high-order graph learning for brain disorder classification

doi:10.1016/j.eswa.2026.132999

Lateralization-aware multi-view high-order graph learning for brain disorder classification

2026-09-30

0

PRE

AI

DOI：10.1016/j.eswa.2026.132999

原文链接

原文求助

摘要

En 中文

脑网络已作为探索脑组织结构和辅助脑部疾病分类的关键工具。近期基于图神经网络（GNN）的方法已展现出在脑网络分析中的巨大潜力。然而，这些方法大多未能充分建模由半球不对称性引起的侧化异质性。此外，传统的信息传递机制主要依赖直接邻居，限制了其捕捉远距离脑区间高阶协同交互的能力。为克服这些挑战，本文提出了一种侧化感知多视角高阶图学习（LMHGL）框架用于脑部疾病分类，该框架提供了一种统一方案来建模半球不对称性，支持高阶半球内交互和多视角决策层协作。具体而言，LMHGL引入了一种解剖学约束的热扩散机制来建模高阶半球内交互。通过沿结构连接传播信息，它捕捉了生物学合理的多跳依赖关系，并增强了侧化脑组织结构的表征。此外，一种多视角协作决策机制整合了全局和半球特异性特征，实现了对整体和侧化病理模式的联合表征。在三个真实脑部疾病数据集上的广泛实验表明，LMHGL持续优于当前最优方法，突显了联合建模半球不对称性和解剖学约束高阶交互以学习判别性脑网络表征的有效性。

Keyword:

Brain networks learning

Graph neural networks

Multi-view learning

Lateralization modeling

High-order interactions

Brain disorder classification

Lateralization-aware multi-view high-order graph learning for brain disorder classification

摘要

期刊

机构

引用论文