拓扑演化图学习模型

脑网络时空分析

通过捕捉脑网络窗口间的拓扑演化规律与抑制干扰连接，精准识别疾病相关时空特征。

Shengrong, Li · 朱旗 · Tian, Chunwei · 张丽 · 沈波 · Chuhang, Zheng · 张道强 · Shao, Wei

IEEE Transactions on Image Processing 2025

技术优势

捕捉窗口间演化规律

模型将相邻动态功能脑网络的枢纽性作为源域和目标域，分别用 Wasserstein 距离和 Gromov-Wasserstein 距离刻画节点和边层面的演化，从而提取疾病相关的时空拓扑特征。

抑制干扰连接

引入相关信息原理约束拓扑演化图学习，保留与脑疾病最相关、同时相邻窗口间冗余最小的结构，从而更清晰地呈现与疾病内在关联的脑网络模式。

协同提取长程依赖

基于拓扑演化图构建多跳图卷积高阶时空模型，同时捕获远距离的空间和时间依赖，提升对疾病相关动态模式的表征能力。

应用场景

• 脑疾病诊断：从动态脑网络中提取疾病相关时空特征，提升诊断准确率。
• 医学影像分析：对功能影像序列建模，揭示跨时间窗口的拓扑演化机制。
• 动态脑网络建模：以相关信息和最优传输框架刻画网络间的演化规律。