Learnable pooling in graph convolution networks for brain surface analysis
Mise en commun apprenable dans les réseaux de convolution de graphes pour l'analyse de la surface du cerveau
Gopinath, Karthik et Desrosiers, Christian et Lombaert, Hervé
arXiv 2019
Résumé: L'analyse de la surface du cerveau est essentielle à la neuroscience, cependant, la géométrie complexe du cortex cérébral empêche les méthodes de calcul pour cette tâche. La difficulté provient d'un écart entre les données d'imagerie 3D, qui sont représentées dans l'espace euclidien, et la géométrie non euclidienne de la surface cérébrale très alambiquée. Les progrès récents de l'apprentissage automatique ont permis l'utilisation de réseaux de neurones pour les espaces non euclidiens. Celles-ci facilitent l'apprentissage des données de surface, mais les stratégies de mise en commun restent souvent limitées à un seul graphe fixe. Cet article propose une nouvelle méthode de regroupement de graphes apprenables pour traiter plusieurs données à valeur de surface pour produire des informations basées sur le sujet. La méthode proposée innove en apprenant une agrégation intrinsèque de nœuds de graphe basée sur l'incorporation spectrale de graphe. Nous illustrons les avantages de notre approche par des expériences approfondies sur deux ensembles de données de référence à grande échelle. La flexibilité de la stratégie de mise en commun est évaluée sur quatre tâches de prédiction différentes, à savoir, la classification sujet-sexe, la régression des tailles des régions corticales, la classification des stades de la maladie d'Alzheimer et la régression de l'âge du cerveau. Nos expériences démontrent la supériorité de notre approche de mise en commun apprenable par rapport à d'autres techniques de mise en commun pour les réseaux de convolution de graphes, avec des résultats améliorant l'état de l'art dans l'analyse de la surface du cerveau.
