一种用于基于功能或结构连接分类脑部疾病的互助多尺度三元图卷积网络

与精神疾病相关的脑连接变化已在功能性磁共振成像（fMRI）和扩散磁共振成像（dMRI）中得到广泛报道。然而，从脑网络提供的大量信息中提取有用信息仍然是一个巨大的挑战。图卷积网络（GCNs）在捕获网络拓扑方面已被证明在学习特定脑疾病的网络表示上优于其他方法。现有的图构建技术通常依赖于特定的脑分区来定义感兴趣区域（ROIs）以构建网络，往往会将分析限制在单一空间尺度。此外，大多数方法集中于ROI之间的成对关系，而忽略了受试者之间的高阶关联。在本信中，我们提出了一种互助多尺度三元图卷积网络（MMTGCN）来分析功能和结构连接，以进行脑部疾病诊断。我们首先采用多个不同尺度的ROI分区模板为每个受试者构建粗到细的脑连接网络。然后，开发了一个三元GCN（TGCN）模块，以学习每个尺度上脑连接网络的功能/结构表示，同时将受试者之间的三元关系明确纳入学习过程中。最后，我们提出了一种模板互助学习策略，以协同训练不同尺度的TGCN进行疾病分类。在通过fMRI或dMRI数据的三个数据集中对1160名受试者的实验结果表明，我们的MMTGCN在识别三种类型的脑部疾病方面优于几种最先进的方法。