本文由东北大学医学图像智能计算教育部重点实验室，加拿大阿尔伯塔大学于2020年10.24日发表于<Computers in Biology and Medicine> JCR\IF: Q1\7.7

Abstract：

目的:近年来，脑连接网络已被用于神经系统疾病的分类，如自闭症谱系障碍(ASD)或阿尔茨海默病(AD)。网络分析为探索脑功能缺陷与脑疾病相关的潜在结构破坏之间的关系提供了一种新的途径。网络嵌入学习旨在自动学习大脑网络的低维表示，近年来受到越来越多的关注。

方法:在这项工作中，我们建立在图神经网络的基础上，以端到端方式学习有用的图分类表示。具体而言，我们提出了一种分层GCN框架(称为hi-GCN)，在考虑网络拓扑信息和主题关联的同时学习图特征嵌入。

结果:为了证明我们方法的有效性，我们在阿尔茨海默病神经成像倡议(ADNI)数据集和自闭症脑成像数据交换(ABIDE)数据集上评估了所提出方法的性能。在ABIDE和ADNI数据集上的大量实验证明了高gcn模型具有竞争力的性能。具体来说，我们在ABIDE/ADNI上获得了73.1%/78.5%的平均准确率和82.3%/86.5%的AUC。综合实验表明，我们的hi-GCN对脑障碍诊断的图分类是有效的。

结论:本文提出的hi-GCN方法从层次的角度进行图嵌入学习，同时考虑了个体大脑网络的结构和整体群体网络中受试者的相关性，能够捕捉到最本质的嵌入特征，提高疾病诊断的分类性能。此外，所提出的联合优化策略也比预训练和两步监督的高gcn训练速度更快，更容易收敛。

本文提出的hi-GCN方法从层次的角度进行图嵌入学习，同时考虑了个体大脑网络的结构和整体群体网络中受试者的相关性，能够捕捉到最本质的嵌入特征，提高疾病诊断的分类性能：

HI-GCN：

1、第一级是从原始连通性网络的拓扑结构中学习网络嵌入。

2、第二个层次是结合主语之间的语境关联来增强语义信息。

论文指出：

1、关注FMRI大脑连接网络中学习深度表征

2、大脑网络在两个层面上表现出网络结构：

一、大脑网络中区域与区域之间的大脑活动相关性

二、人口网络中主体内与主体之间的关系

实验结果：

与ABIDE数据历年SOTA对比：

结论：

近年来，基于功能磁共振图像(f-MRI)构建的功能连接网络在区分神经系统疾病患者和正常对照方面具有很大的前景。网络嵌入的目的是学习基于网络拓扑的紧凑节点表示，以方便图的分类任务。为了从大脑网络中获得更好的图嵌入，我们开发了一种新的、原则性的网络嵌入学习框架，通过GCN有效地整合群体中受试者之间的相关性。我们在现实世界的信息网络上进行了广泛的实验，以验证我们模型的有效性，与最先进的基线相比，这表明了它的优越性能。它还实现了更快的训练和更容易的收敛。

不讲五的，20年发的这个文章，22年也搞得GCN，都发的生物医学cs的这个顶刊，看来这两学校是在脑机模型是专门搞GCN的，也是实验室前辈遗留问题，20年从层次上研究GCN处理EEG，22年搞多视角，emm