Brain graph synthesis by dual adversarial domain alignment and target graph prediction....MIA,2020
Bessadok A, Mahjoub M A, Rekik I. Brain graph synthesis by dual adversarial domain alignment and target graph prediction from a source graph[J]. Medical Image Analysis, 2020, 68: 101902.
此篇论文中Bessadok等人提出了一种图对偶对抗学习框架（LG-DADA），通过学习源数据实现了对目标数据的预测。
在神经科学中开发预测智能，以学习如何从单一模式生成多模式医疗数据，可以用最少的数据采集资源改善神经疾病诊断。现有的深度学习框架主要针对图像，可能无法处理几何数据(如脑图)。我们提出了一种学习引导图双重对抗域对齐(LGDADA)框架，用于从源脑图预测目标脑图。形态学脑图合成结果表明，与其他图像合成方法相比，该方法具有更好的预测精度和视觉质量。
本文提出了学习引导图对偶对抗域对齐(LG-DADA)框架，用于从单一源图预测目标脑图：
- 特征提取与聚类。从每个训练对象的源和目标脑图中提取特征向量。在本例中，将第n个主题留出来进行测试，因此它只有一个源图。然后使用多核流形学习对源脑图进行聚类。
- 域对齐。对于每一个聚类，训练一个ARGA模型，使其在低维潜在空间中对源域和目标域进行对齐，并使用判别器Dalign进行正则化。
- 对抗性正规化。通过Dalign和Dpred两种鉴别器的交替，规范了训练和测试对象的源嵌入。
- 目标图预测。它包括学习一个源流形，嵌入训练和测试对象的编码图，和一个目标流形，嵌入训练对象的编码图。为了预测最终的测试目标图，在两个流形中选择与测试对象最相似的训练对象。
最终，我们的目标脑图预测框架从源图提供了一个新的方式，更好地预测缺失的脑图，同时保持存在于大脑区域之间的真实连接模式。
该工作联合执行源脑图和目标脑图的域对齐，并从单一源脑图预测目标脑图。首先,规避pre-clustering后一步生成模式崩溃的问题,LG-DADA学习为每个集群如何移动源域到目标域嵌入源脑图的训练样本和学会使用目标大脑图的邻接矩阵。其次，对训练对象和测试对象进行源图嵌入，以便在源域中搜索与测试对象最相似的训练样本。第三，它学习一个连接流形的每一个产生的源和目标域的潜在表示，以便在两个域中搜索一个局部共享邻居。
一旦跨域的共享邻居被识别，测试对象的目标图被预测通过平均这些选定邻居的目标图。本方法达到最好的预测性能在所有实验在不同的源和目标图,展示它的适应能力不同的源和目标域的组合。这也表明LG-DADA可以处理不同的情况。
这表明了域对齐和由我们的双重正则化步骤建模的图预测任务之间存在协同作用的优势，该步骤可以有效地学习嵌入的源图，同时执行对源图到预测的训练目标图的对齐。此外，CCA执行源到目标域的域对齐，而不学习目标预测任务的优化固有表示(即由目标预测任务监督)。因此，利用ARGA来学习同构脑图的潜在表示，可以更好地对齐源域和目标域。该方法使用单一识别器训练ARGA来规格化域对齐和源图嵌入。与基准方法相比，LG-DADA在从源图(源自沟深)预测目标图1(源自最大原理曲率)时产生了较小的残差。