D-CoRP：功能性脑网络的可微分连接优化

D-CoRP: Differentiable Connectivity Refinement for Functional Brain Networks

摘要

背景： 脑网络是理解大脑的重要工具，为科学研究和临床诊断提供了关键见解。然而，现有的脑网络模型通常侧重于脑区本身，或忽略了脑连接的复杂性。此外，由MRI衍生的脑网络数据容易受到连接噪声的影响，这凸显了在脑网络建模中纳入连接信息的必要性。

目的： 针对这一问题，提出了一种可微分模块用于优化脑连接结构。

方法： 采用基于信息瓶颈理论的多变量优化方法，以应对脑网络的复杂性，并过滤噪声或冗余连接。此外，该方法可作为灵活的插件，适用于大多数图神经网络（GNN）。

结果： 大量实验结果表明，该方法能够显著提升多种基线模型的性能，并优于其他最新方法，验证了其在优化脑网络连接方面的有效性和泛化能力。代码已公开，链接为 https://github.com/Fighting-HHY/D-CoRP。

方法

图 1. 模型架构。D-CoRP 通过两个步骤细化图连接：

1. 掩码矩阵的可微分采样（即，Distribution Estimator 提取网络连接的必要性概率，而 Differentiable Sampling 使用可微采样方法过滤必要的连接）
2. 针对精炼结果的信息瓶颈优化，如 IB Optimizer 部分所示

实验结果