11:30
官方账号arXiv cs.LG@Hao Ding, Daniel Semchin, Paul M. Thompson, Boris Gutman
推荐理由：这篇论文提出了MT-GNN，用图网络预测脑结构形状随时间的演化，在ADNI上比现有方法误差低2%以上，而且预测越久优势越明显。
脑形态测量
共 1 条相关 AI 资讯
8月6日
11:30
MT-GNN是一种新的纵向脑形态预测模型，通过预测每个顶点的第一基本形式（度量张量）来连续时间建模皮层下结构的形状演化，并利用可微ARAP求解器重建表面。在ADNI数据集的14个皮层下结构上，MT-GNN在所有预测时域上平均顶点误差比时间均值降低2.29%（p=6.1×10^-5），在14/14个结构上均优于基线。相比测地线形状回归DCM（-0.19%）和网格Transformer（TransforMesh，-0.45%；p=1.2×10^-4），MT-GNN的优势随预测时域延长而扩大。该方法支持任意多次历史访问和任意预测时域，实现端到端训练。