用于捕捉脑结构连接中拓扑特征的深度生成模型比较评估

结构连接（SC）数据对于脑网络分析至关重要，但基于 SC 的机器学习往往受限于数据可用性不足，从而阻碍模型的泛化能力和稳健性。尽管利用深度生成模型进行数据增强已日益受到关注，不同模型如何捕捉 SC 数据复杂的拓扑特征仍不明确。为阐明深度生成模型在 SC 生成任务中的学习特性，本研究比较了三种具有代表性的模型：变分自编码器（VAE）、带梯度惩罚的 Wasserstein 生成对抗网络（WGAN-GP）以及去噪扩散概率模型（DDPM）。我们基于具有已知特征的合成数据集和真实世界 SC 数据，对这些模型进行了系统评估。生成质量通过图论指标比较以及对生成邻接矩阵的可视化检验进行评估。WGAN-GP 在不同数据集和评价指标上表现出相对稳定的性能，且在各类评估设置下未出现显著的性能退化。相比之下，VAE 和 DDPM 虽然在某些特定方面表现良好，但对数据特征更为敏感。这些发现表明，WGAN-GP 可作为未来 SC 数据增强研究中最为均衡的基线模型，而 VAE 和 DDPM 是否适用则可能取决于目标应用场景及所关注的结构属性。此外，由于所有模型在完全重现平面性等严格的全局约束方面均存在困难，我们的结果表明，标准生成模型可能不足以捕捉 SC 数据复杂的拓扑特征。这凸显了在训练或生成过程中纳入目标结构属性的重要性。

脑结构连接中拓扑特征捕获的深度生成模型比较评估 | ，但不同模型如何捕获 SC 数据复杂的拓扑特征仍不明确。为阐明深度生成模型在 SC 生成任务中的学习特性，持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 本文依据 CC-BY 4.0 国际许可协议 进行提供。

查看讨论串。

返回顶部 上一篇 下一篇

发布于 2026 年 6 月 8 日。

下载 PDF 补充材料 数据/代码 电子邮件

感谢您有兴趣传播 bioRxiv 的内容。 您的电子邮件 * 您的姓名 * 发送至 *

请输入多个地址，每行一个，或以逗号分隔。

您将要通过电子邮件发送以下内容

脑结构连接中拓扑特征捕获的深度生成模型比较评估

邮件主题

（您的姓名）已从 bioRxiv 向您转发了一个页面

邮件正文

（您的姓名）认为您可能希望查看 bioRxiv 网站上的此页面。

您的个人留言

验证码

此问题用于测试您是否为人类访客，并防止自动垃圾信息提交。

分享

脑结构连接中拓扑特征捕获的深度生成模型比较评估

Chisato Kumada， Tomoyuki Hiroyasu， Satoru Hiwa

bioRxiv 2026.06.03.729714； doi： https://doi.org/10.64898/2026.06.03.729714

分享本文： 复制

引用工具

脑结构连接中拓扑特征捕获的深度生成模型比较评估

Chisato Kumada， Tomoyuki Hiroyasu， Satoru Hiwa

bioRxiv 2026.06.03.729714； doi： https://doi.org/10.64898/2026.06.03.729714

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.03.729714v1?rss=1

🏷️ 脑结构连接 深度生成模型 数据增强 图论分析 拓扑特征 WGAN-GP