Self-expression property theory guided multi-modal brain graph learning

Xuexiong Luo

doi:10.1016/j.artint.2026.104576

Self-expression property theory guided multi-modal brain graph learning

2026-07-01

0

PRE

AI

DOI：10.1016/j.artint.2026.104576

原文链接

原文求助

摘要

En 中文

整合多模态脑图进行脑部疾病分析近年来备受关注。然而，现有的多模态脑图学习方法存在两个重要问题：首先，它们随机使用简单的连接性剖面作为脑图的属性特征，导致对脑连接网络的描述不足。此外，健康与患者脑图之间不明显的差异需要学习单模态脑图的判别特征表示，而这一点在以往的方法中很少被考虑。其次，挖掘模态间的复杂关系对于实现深度融合至关重要，但大多数现有方法采用简单的融合方式，如注意力机制，无法识别与疾病相关的关键脑区和连接，以进行可解释分析。为解决上述问题，本研究整合跨尺度对比图神经网络和自表达属性理论，用于学习多模态和多属性脑图表示以进行疾病分析。具体而言，我们扩展多属性特征以表征脑图，并设计跨尺度对比图神经网络处理多属性脑图，以增强各模态的判别多级表示。然后，我们引入自表达属性理论，创新性地提取多模态脑图的互补关系，同时生成共识图以学习共同特征。共识图是可解释的脑图，用于探索与疾病相关的显著脑区和连接。我们采用注意力机制自适应融合共同特征和各模态特征，以学习多模态脑图的最优表示用于疾病预测。在三个疾病数据集上的广泛实验验证了我们的方法的有效性，尤其是致病性分析结果与医学发现一致，这有潜力促进脑部疾病研究。

Keyword:

Brain graph

Neuroimaging

Multi-modal

Graph neural network

Brain graph learning

Self-expression property theory guided multi-modal brain graph learning

摘要

期刊

机构

引用论文