Hi-GCN : un réseau hiérarchique de convolution de graphes pour l'apprentissage par intégration de graphes dans les réseaux cérébraux et la prédiction des troubles cérébraux.

Résumé

Objectif

Récemment, les réseaux de connectivité cérébrale ont été utilisés pour la classification des troubles neurologiques, tels que les troubles du spectre autistique (TSA) ou la maladie d'Alzheimer (MA). L'analyse des réseaux offre une nouvelle façon d'explorer l'association entre les déficits fonctionnels du cerveau et les perturbations structurelles sous-jacentes liées aux troubles cérébraux. L'apprentissage de l'intégration des réseaux, qui vise à apprendre automatiquement des représentations à faible dimension pour les réseaux cérébraux, a suscité une attention croissante ces dernières années.

Méthode

Dans ce travail, nous nous appuyons sur le réseau neuronal graphique afin d'apprendre des représentations utiles pour la classification de graphes de bout en bout. Plus précisément, nous proposons un cadre GCN hiérarchique (appelé hi-GCN) pour apprendre l'intégration des caractéristiques du graphe tout en tenant compte des informations sur la topologie du réseau et de l'association du sujet en même temps.

Résultats

Pour démontrer l'efficacité de notre approche, nous évaluons les performances de la méthode proposée sur le jeu de données Alzheimer's Disease Neuroimaging Initiative (ADNI) et le jeu de données Autism Brain Imaging Data Exchange (ABIDE). Des expériences approfondies sur les jeux de données ABIDE et ADNI ont démontré la performance compétitive du modèle hi-GCN. Plus précisément, nous obtenons une précision moyenne de 73,1%/78,5% ainsi qu'une AUC de 82,3%/86,5% sur ABIDE/ADNI. Les expériences complètes démontrent que notre modèle hi-GCN est efficace pour la classification de graphes avec diagnostic des troubles du cerveau.

Conclusion

La méthode hi-GCN proposée effectue l'apprentissage de l'intégration des graphes d'un point de vue hiérarchique tout en tenant compte de la structure du réseau cérébral individuel et de la corrélation du sujet dans le réseau global de la population, ce qui permet de capturer les caractéristiques d'intégration les plus essentielles pour améliorer les performances de classification du diagnostic des maladies. En outre, la stratégie d'optimisation conjointe proposée permet également un apprentissage plus rapide et une convergence plus facile que le hi-GCN avec préformation et la supervision en deux étapes.