توصيفگر ها :
شبكه عصبي گراف , تفسيرپذيري , شبكه عصبي گراف مكاني – زماني , توضيح‌پذيري
چكيده فارسي :
درك اينكه كدام مناطق مغز با يك اختلال عصبي خاص يا محرك‌هاي شناختي مرتبط هستند، يكي از حوزه‌هاي مهم تحقيقات تصويربرداري عصبي بوده است. در اين تحقيق يك روش يادگيري گراف پوياي تفسيرپذير براي پيش‌بيني بيماري ارائه مي‌شود. با توجه به ويژگي‌هاي سيگنالهاي BOLD به دست آمده از fMRIها ما يك روش شبكه عصبي گراف مكاني – زماني پيشنهاد مي‌شود كه ابتدا ماتريس مجاورت گراف هر نمونه را با استفاده از سيگنالهاي BOLD پنجره‌بندي شده و يك مكانيزم خود توجهي به صورت پويا ايجاد ميكند و سپس با استفاده از پراكندگي تعريف شده اين ماتريس‌هاي مجاورت پوياي تماماً متصل به سمت خلوت شدن تشويق مي‌شوند، بااين‌كار اتصالات مهم‌تر براي پيش‌بيني بيماري باقي مي‌مانند. اين ماتريس‌هاي مجاورت همراه همبستگي بين سيگنالهاي BOLD پنجره‌بندي شده بين هر دوجفت ناحيه‌ي مغز (اتصالات عملكردي) به يك شبكه عصبي گراف و شبكه بازگشتي براي استخراج ويژگي مكاني و زماني فرستاده مي‌شود. علاوه‌براين از يك تبديل خطي براي به‌دست‌آوردن اهميت گره‌ها در هر گراف استفاده مي‌شود كه به تفسير نتايج مدل و بهبود پيش‌بيني طبقه‌بندي كمك ميكند. همچنين در اين كار توابع ضرري براي تشويق مدل به انتخاب مفيدترين يال و گره تعريف شده است. مانند تابع ضرر پراكندگي كه سعي ميكند ماتريس مجاورتي خلوت ايجاد كند و يا تابع ضرر آنتروپي ماتريس مجاورت كه سعي ميكند اختلاف بين يال‌هاي مهم و غيرمهم را بيشينه كند. همچنين توابع ضرري براي تشويق امتيازات گره به داشتن مقادير نزديك به 1 و 0 مانند تابع ضرر آنتروپي امتياز گره و يا تابع ضرر سازگاري در سطح گروه براي داشتن امتيازات گره مشابه در بين نمونه‌هاي يك گروه تعريف مي‌شود. همچنين تابع ضرري براي كمينه كردن اختلاف بين امتيازات گره‌ها براي هر ماتريس ويژگي پنجره‌بندي شده تعريف شده است. در اين تحقيق از مجموعه دادۀ ABIDE كه براي انجام تحقيقات بر روي اختلال طيف اوتيسم جمع‌آوري شده است استفاده مي‌شود. روش پيشنهادي كه با 5 معيار ارزيابي صحت، دقت، بازايابي، سطح زير منحني ROC و امتياز f1 سنجيده شده است، نشان مي‌دهد كه روش پيشنهادي از ديگر روش‌هاي پايه و عميق بهتر عمل ميكند.
چكيده انگليسي :
Understanding which brain regions are associated with a particular neurological disorder or cognitive stimulus has been an important area of neuroimaging research. In this research, an interpretable dynamic graph learning method for disease prediction is presented. According to the characteristics of BOLD signals obtained from fMRIs, we propose a time-spatial graph neural network method that first creates the adjacency matrix of the graph of each sample using windowed BOLD signals and a self-attention mechanism dynamically, and then with Using defined sparsity, these all-connected dynamic adjacency matrices are encouraged to be sparse, leaving connections more important for disease prediction. These adjacency matrices along with the correlation between the windowed BOLD signals between each pair of brain regions (functional connectivity) are sent to a graph neural network and a recurrent network to extract spatial and temporal features. In addition, a linear transformation is used to obtain the importance of the nodes in each graph, which helps to interpret the model results and improve the classification prediction. Also, in this work, loss functions are defined to encourage the model to choose the most useful edge and node. Such as the scattering loss function that tries to create a quiet adjacency matrix or the entropy loss function of the adjacency matrix that tries to maximize the difference between important and non-important edges. Also, loss functions are defined to encourage the node scores to have values close to 1 and 0, such as the entropy loss function of the node score or the consistency loss function at the group level to have the same node scores among the samples of a group. Also, a loss function is defined to minimize the difference between the scores of the nodes for each windowed feature matrix. In this research, the ABIDE dataset, which was collected to conduct research on autism spectrum disorder, is used. The proposed method, which is measured by 5 evaluation criteria of accuracy, precision, recovery, area under the ROC curve, and f1 score, shows that the proposed method performs better than other basic and deep methods.
