Attention-Guided Deep Graph Neural Network for Longitudinal Alzheimer’s Disease Analysis注意力引导深度图神经网

论文标题:Attention-Guided Deep Graph Neural Network for Longitudinal Alzheimer’s Disease Analysis
注意力引导深度图神经网络用于阿尔茨海默病的纵向分析

摘要

阿尔茨海默病(AD)是造成老年人痴呆的主要原因。由于AD不太可能是可逆的,而且目前还没有治愈,因此监测其进展对于调整患者的治疗计划以延缓其恶化至关重要。计算机辅助的纵向AD数据分析有助于评估疾病状态,识别大脑的不同区域,揭示疾病的进展。但是,现有的方法大多存在两个主要问题:一是从整个图中全局提取图像特征,对噪声非常敏感;ii)他们在处理动态图形方面有困难,而大脑网络是高度可变的,因为它们会因个体而异,或随着时间或疾病而变化。针对这些问题,本文提出了一种新的注意力引导深度图神经网络(AGDGN),该网络利用注意力引导随机游走(AGRW)模块从大脑网络中提取结构图特征。该算法在随机游走的每一步只需要邻域节点周围的局部信息,对图噪声具有较强的鲁棒性,对动态图的处理具有较强的灵活性。同时,将全局注意机制集成到序列处理模块中。这两种注意机制被联合训练,以从结构和时间域揭示信息最丰富的大脑区域,为AD分析。实验结果和对阿尔茨海默病神经影像计划(ADNI)数据集的分析证明了该方法的有效性和效率。

介绍

针对上述问题,本文提出了一种基于注意力引导的深度图神经网络。我们的主要贡献如下。

  1. 提出了一种用于纵向阿尔茨海默病分析的新型AGDGN模型,该模型利用两种注意力机制在图级揭示最相关的大脑区域,在序列级揭示必要的时间点。该AGDGN的设计考虑了整个种群的个体方差和网络随时间的变化。此外,它可以灵活地处理不同的序列长度。
  2. 提出了一种新的注意力引导随机游走(AGRW)方法来提取输入图中的结构信息。
  • 这一过程中的注意机制可以主动突出脑网络中信息最丰富的区域[13,14],进而引导随机节点的选择过程。此外,随机游走过程不仅由注意机制引导,还由核磁共振数据提取的边缘权值引导。这种方法巧妙地包含了图边权值的结构信息,避免了使用图边的指数数。
  • 值得注意的是,该过程是在选定节点的局部邻域上迭代运行,不需要整个图的全局信息。因此,所提出的AGRW将处理不同图结构的灵活性引入到所提出的模型中。
  • 为确保AGRW能够为目标任务提供最优解决方案,引入了一种由强化学习激发的奖励机制。
  • 此外,由于提出的过程是一个随机抽样过程,可以部分缓解训练如此复杂的模型对数据的高要求。
  1. 该模型集成了全局注意机制,可以突出与图序列诊断标记相关的关键时间点。
  2. 在ADNI数据集上的实验结果验证了该模型的有效性。

方法

在这里插入图片描述图1。建议的模型框架。左边是输入图序列,表示同一主题在不同时间的诊断。gij是第i个序列中的第j个图,表示第i个被试在第j个时间点的诊断。AGRW模块将对给定的图节点进行一个接一个的处理,直到达到最大的随机行走长度T,因此每个图gij有T个AGRW模块实例。在AGRW模块的最后一步中的历史向量hT被认为是提取的整个图gij的表示并送入序列处理模块进行最终预测。序列处理模块的长度与图序列的长度相对应,这意味着所提出的模型能够灵活地适应不同对象的诊断长度。

如图1所示,本文提出的注意力引导深度图神经网络(AGDGN)主要有两个模块。一是注意引导随机行走模块;另一个是序列处理模块。
定义1: 图序列分类:给定一组图序列G={(G1,l1),,,,,(Gn,ln)},目标是学习一个函数f:G–>L,G是输入,L是label。


更多相关内容:请点击查看