Прогнозирование эволюции графов головного мозга на основе нескольких репрезентативных обучающих ш...

#ГрафовыеНейронныеСети #прогнозирующийИнтеллект #Нейронаука Эта работа представлена на международном семинаре PRIME 2021 (https://basira-lab.com/prime-miccai-2021/) совместно с MICCAI 2021 (https://miccai2021.org/en/). Вы можете скачать код по адресу https://github.com/basiralab/FLAT-Net. Вы можете посмотреть демонстрацию кода на GiHub по адресу Аннотация Диагностика нарушений связности головного мозга на ранней стадии сводится к пониманию эволюции таких аномальных связей с течением времени. В идеале, без необходимости сбора дополнительных коннектомных данных с течением времени, можно было бы с высокой точностью прогнозировать эволюцию заболевания. На этом этапе могут быть использованы модели генеративного обучения на основе ограниченных данных для прогнозирования эволюции коннектомы головного мозга с течением времени на основе одной точки сбора данных. В данной работе мы стремимся преодолеть разрыв между дефицитом данных и прогнозированием эволюции коннектомики головного мозга, предлагая нашу новую обучающую сеть с малым количеством примеров (FLAT-Net), первую структуру, использующую парадигму обучения с малым количеством примеров для прогнозирования эволюции коннективности головного мозга от базового момента времени. Для этого мы вводим концепцию обучения на основе репрезентативных коннективных шаблонов головного мозга (CBT), которые кодируют наиболее центрированные и репрезентативные признаки (т.е., коннективность) для данной популяции мозговых сетей. Такие CBT хорошо отражают гетерогенность и разнообразие данных, поэтому они могут обучать нашу прогностическую модель экономичным, но обобщаемым способом. Более конкретно, наша FLAT-Net начинается с кластеризации данных в k кластеров с использованием известного метода K-средних. Затем для каждого кластера однородных мозговых сетей мы создаем CBT, который мы называем кластерно-специфическим CBT (cs-CBT). Мы используем каждый cs-CBT исключительно для обучения отдельной геометрической генеративно-состязательной сети (gGAN) (т.е., для k кластеров мы извлекаем k cs-CBT и обучаем k gGAN (подмоделей), каждая из которых обучается для отдельного cs-CBT), чтобы изучить эволюцию cs-CBT во времени. На этапе тестирования мы вычисляем евклидово расстояние между испытуемым и каждым cs-CBT и выбираем модель gGAN, обученную на ближайшем к испытуемому cs-CBT, для прогнозирования. Серия сравнительных тестов с вариантами и исключенными интерпретациями нашей структуры показала, что предложенная FLAT-Net, стратегия обучения и выбор подмоделей являются многообещающими стратегиями для прогнозирования продольных изменений мозга на основе всего нескольких репрезентативных шаблонов.