基于多尺度残差融合图卷积网络的脑疾病诊断研究

近年来，功能性脑网络已被用于自闭症谱系障碍（Autism spectrum disorder， ASD）等脑部疾病的诊断。现有研究表明，将静息态功能磁共振成像（Resting-state functional magnetic resonance imaging， rs-fMRI）数据以及非影像信息结合起来构成人口图，然后采用图神经网络（Graph neural network， GNN）进行学习和分类的方法对ASD的诊断十分有效。然而，大多数研究仍然面临两个挑战：一是仅使用皮尔森相关系数等方法构建功能连接矩阵无法有效地识别和分析与疾病相关的局部脑区和生物标志物；二是无法在GNN上有效地学习人口图中节点特征的多尺度信息。为解决这些问题，提出了一种基于注意力机制的多尺度残差融合图卷积网络（Multi-scale residual fusion graph convolutional networks， MSRF-GCN）。该算法通过设计一个功能连接生成器来提取具有远程依赖关系的时间相关特征，从而有效地定位和识别对诊断有益的脑区。同时，通过设计多尺度残差融合算法，学习人口图中的多尺度信息。此外，还引入了Edge Sparse策略，通过随机丢弃初始人口图中的边，以增加节点连接的稀疏性，进而减少训练期间过拟合的风险。通过在自闭症脑影像数据交换项目（Autism brain imaging data exchange， ABIDE）上进行实验的结果证明了MSRF-GCN在ASD诊断方面的有效性。