Longitudinal prediction of infant diffusion MRI data via graph convolutional adversarial....TMI,2019
Hong Y, Kim J, Chen G, et al. Longitudinal prediction of infant diffusion MRI data via graph convolutional adversarial networks[J]. IEEE transactions on medical imaging, 2019, 38(12): 2717-2725.
此篇论文中Hong等人提出了一种基于图卷积神经网络的生成对抗网络,实现了对婴儿脑扩散MRI数据的纵向预测。
在纵向研究中,由于受试者退出和扫描失败等原因,数据缺失是一个常见的问题。我们提出了一个基于图的卷积神经网络来预测丢失的扩散MRI数据。特别地,我们考虑了空间域采样点与扩散波向量域采样点之间的关系来构造图。然后我们使用一个图卷积网络来学习从可用数据到缺失数据的非线性映射。我们的方法利用多尺度残差体系结构与对抗学习,以更高的准确性和感知质量的预测。实验结果表明,该方法对婴儿脑扩散MRI数据的纵向预测具有较好的准确性和鲁棒性。
在本文中,我们提出了一种基于GCNN的方法来预测缺失的婴儿大脑DMRI数据。因为婴儿的大脑在出生后的第一年会发生动态变化。我们的方法联合利用来自空间域和扩散波向量域的信息来进行有效的预测。图邻接矩阵定义了拉普拉斯矩阵,它与光谱滤波器密切相关,在GCNN中起着至关重要的作用。
在这项工作中,我们定义邻接矩阵为高斯函数在物理空间、梯度方向和梯度强度方面的距离的乘积。在本文中,σ2 x、σ2 g、σ2 b的优化参数是通过每次固定一个参数的贪心搜索得到的。我们观察到σ2 x太高会导致图像模糊。实验结果表明,综合考虑空间域和波向量域信息可以提高预测精度。
该方法假设所有样本均为同构图结构,即源和目标共享相同的梯度表。对于异构图,已经提出了更一般的GCNN方法。采用切比雪夫多项式近似来实现空间局部化滤波。通过实现更复杂的网络结构和有效的训练策略,可以提高预测的性能。我们观察到皮质中的一些结构很难恢复,这个问题可以通过采用更有效的采样策略进行解决。我们注意到,本文提出的方法在由训练图像对确定的固定时间点预测缺失的DMRI数据,对任意时间点的预测更具挑战性。
本文提出了一种新的GCNN方法来预测缺失的DMRI数据。在构造图时考虑了空间和角度邻近信息,基于该数据在基于图的CNN框架中进行卷积,进行数据预测。此方法可以应用于预测缺失的婴儿DMRI数据,并表明它预测DMRI的数据具有更多的结构细节。
Longitudinal prediction of infant diffusion MRI data via graph convolutional adversarial....TMI,2019相关推荐
- 论文阅读笔记: Modeling Relational Data with Graph Convolutional Networks
arXiv:1703.06103v4 文章目录 1.Introduction 2.神经关系建模(Neural relational modeling) 2.1 关系图卷积网络(Relational g ...
- RGCN - Modeling Relational Data with Graph Convolutional Networks 使用图卷积网络对关系数据进行建模 ESWC 2018
文章目录 1 相关介绍 两个任务 main contributions 2 Neural relational modeling 2.1 符号定义 2.2 关系图卷积网络R-GCN 2.3 Regul ...
- 【论文解读 ESWC 2018 | R-GCN】Modeling Relational Data with Graph Convolutional Networks
论文题目:Modeling Relational Data with Graph Convolutional Networks 论文来源:ESWC 2018 论文链接:https://arxiv.or ...
- 2018 ESWC | Modeling Relational Data with Graph Convolutional Networks
2018 ESWC | Modeling Relational Data with Graph Convolutional Networks Paper: https://arxiv.org/pdf/ ...
- 论文阅读 Modeling Relational Data with Graph Convolutional Networks
Modeling Relational Data with Graph Convolutional Networks 使用图卷积网络建模关系数据 发表于 [stat.ML] 26 Oct 2017 摘 ...
- GNN in KG(一) Modeling Relational Data with Graph Convolutional Networks,ESWC2018
本文作者来自University of Amsterdam,Kipf作为共同一作.其实ESCW只是CCF C类会议,不过外国人当然不看CCF啦.这是本系列的第一篇,做了一阵子GNN的理论研究,当然也需 ...
- 论文笔记:ESWC 2018 Modeling Relational Data with Graph Convolutional Networks
前言 论文链接:https://arxiv.org/pdf/1703.06103.pdf github:https://github.com/kkteru/r-gcn 本文提出了一种将图卷积操作应用与 ...
- Modeling Relational Data with Graph Convolutional Networks(2017)
用图卷积网络建模关系数据(2017) 摘要 知识图支持多种应用,包括问答和信息检索.尽管在它们的创建和维护上投入了巨大的努力,但即使是最大的产品(如Yago.DBPedia或wikidata)仍然不完 ...
- 01_关于TensorFlow、什么是数据流图(Data Flow Graph)、TensorFlow的特征、谁可以使用Tensorflow、为啥Google要开源这个神器?
1 关于TensorFlow TensorFlow™ 是一个采用数据流图(data flow graphs),用于数值计算的开源软件库.节点(Nodes)在图中表示数学操作,图中的线(edges)则表 ...
最新文章
- oracle分页的使用,oracle中分页的实现方式.rownum的使用
- MPB:山东农大高峥、周波等-​​​尾菜堆肥微生物组样品取样方法
- linux运维实战练习及linux shell脚本、awk、sed工具命令学习总结
- PETS公共英语三级大纲词汇4107个-D
- erp系统方案书_解决方案 |快普M8为系统集成企业定制的ERP系统
- Mybatis报错:nested exception is org.apache.ibatis.binding.BindingException: Parameter ‘XXX‘ not found
- python二维数组操作_Python二维数组应用与操作
- Linux安全基础:grep命令的使用
- paramiko执行nohup_记一次使用django+paramiko远程操作时报错无法返回问题
- abap判断包含字符当中包含小数点_剑指Offer整理3 -- 栈和队列 + 数学和字符串
- 知乎爆赞干货:顶级大公司的OLAP数据仓库,这是全网最好的总结
- python大众点评最新字体加密破解完结
- poj 3026 Borg Maze (bfs + 最小生成树)
- 最简单AnyLogic安装教程——天津理工大学
- 如何在微软的下载商店找到下载的图片?
- UML14种图之部署图和构件图最全总结
- 等级保护第三级安全扩展要求笔记(2019)
- 解决SQL Server日志空间满的方法
- Footer置于页面底部的技巧
- vue+elementui+echarts饼状图内部显示百分比