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。