- Прогнозный анализ всего мозга с помощью GraphNet(arXiv)
Автор: Логан Гросеник, Брэд Клингенберг, Кифер Катович, Брайан Кнутсон, Джонатан Э. Тейлор.
Аннотация.Многомерные методы машинного обучения все чаще используются для анализа данных нейровизуализации, часто заменяя более традиционные «массовые одномерные» методы, которые подгоняют данные по одному вокселу за раз. В литературе по функциональной магнитно-резонансной томографии (фМРТ) это привело к широкому применению «готовых» методов классификации и регрессии. Эти общие подходы позволяют исследователям использовать готовые алгоритмы для точного декодирования перцептивных, когнитивных или поведенческих состояний из распределенных паттернов нейронной активности. Однако при применении к коррелированным данным фМРТ всего мозга эти методы страдают нестабильностью коэффициентов, чувствительны к выбросам и дают плотные решения, которые трудно интерпретировать без произвольного порогового значения. Здесь мы разрабатываем варианты эластичной сети, ограниченной графом (GraphNet), …, мы (1) расширяем GraphNet, чтобы включить надежные функции потерь, которые придают нечувствительность к выбросам, (2) снабжаем их «адаптивными» штрафами, которые асимптотически гарантируют правильность выбор переменных и (3) разработать новый разреженный структурированный классификатор Support Vector GraphNet (SVGN). Применительно к ранее опубликованным данным эти эффективные методы всего мозга значительно повысили точность классификации по сравнению с ранее опубликованным анализом на основе VOI на тех же данных, обнаруживая области, связанные с задачей, не задокументированные в исходном подходе VOI. Критически важно, что оценки GraphNet хорошо обобщают вневыборочные данные, собранные более трех лет спустя для той же задачи, но с другими субъектами и стимулами. Обеспечивая надежную и эффективную селекцию важных вокселов из данных всего мозга, полученных в несколько моментов времени (> 100 000 «признаков»), эти методы позволяют выбирать области мозга на основе данных, которые точно предсказывают поведение одной попытки внутри и между отдельными людьми.
2.Обнаружение разрыва внутричерепной аневризмы на трехмерных поверхностях с использованием нового подхода GraphNet(arXiv)
Автор: З. Ма, Л. Песня, Х. Фэн, Г. Ян, В. Чжу, Дж. Лю, Ю. Чжан, Х. Ян, Ю. Инь
Выдержка:внутричерепная аневризма (ИА) представляет собой опасное для жизни пятно крови в головном мозге человека, если оно разрывается и вызывает кровоизлияние в мозг. Трудно определить, разорвался ли ИА на медицинских изображениях. В этой статье мы предлагаем новую нейронную сеть на основе графа под названием GraphNet для обнаружения разрыва IA на основе трехмерных данных о поверхности. GraphNet основан на сети свертки графов (GCN) и предназначен для классификации на уровне графов и сегментации на уровне узлов. Сеть использует блоки GCN для извлечения поверхностных локальных функций и пулов в глобальные функции. Данные 1250 пациентов, включая 385 разорванных и 865 неразорвавшихся ИА, были собраны в клинике для экспериментов. Сообщалось об эффективности на случайно выбранных данных 234 испытуемых пациентов. В эксперименте с предложенным GraphNet была достигнута точность 0,82, площадь под кривой (AUC) кривой рабочей характеристики приемника (ROC) 0,82 в задаче классификации, что значительно превосходит базовый подход без использования сетей на основе графа. Результат сегментации модели достиг среднего значения коэффициента кости на основе графических узлов (DSC) 0,88.
