在多个中心使用不确定性感知图自训练方法进行自闭症谱系障碍分类

《International Journal of Imaging Systems and Technology》：Uncertainty-Aware Graph Self-Training for Autism Spectrum Disorder Classification in Multiple Centers

医学影像多中心分类中，传统自训练GCN假设标注与未标注数据分布一致，但在自闭症谱系障碍（ASD）分类中存在域偏移问题。本文提出不确定性感知图自训练（UA-GST），通过D-S证据理论估计伪标签不确定性，结合对抗域适应机制筛选未标注中心，逐步将测试样本伪标签纳入训练集。在ABIDE数据集上验证，该方法显著优于现有方法。

　　

摘要

传统的图卷积网络（GCNs）自训练方法假设标记数据和非标记数据遵循相同的分布。然而，这些方法在医学应用中（例如在多个中心对自闭症谱系障碍（ASD）进行分类时）表现不佳，因为来自不同成像中心的非标记样本与标记样本的分布存在差异。为此，我们提出了基于不确定性意识的图自训练（UA-GST），将图自训练扩展到新的情况：标记数据来自一个成像中心，而非标记数据来自其他几个成像中心。具体来说，我们提出了一种基于不确定性意识的机制来选择非标记数据来源的中心，并在图自训练中引入了对抗性领域适应技术以减少不同中心之间的分布差异。随着自训练的进行，越来越多的伪标记测试样本被逐步纳入训练集，最终在所有标记和伪标记样本上训练出模型。考虑到分类器的过度自信问题，我们进一步提出了基于Dempster–Shafer（D–S）证据理论的GCN来估计伪标签的不确定性。该方法在Autism Brain Imaging Data Exchange（ABIDE）数据集上进行了验证，实验结果证明了其在多中心分类ASD方面的有效性，性能优于现有的最先进方法。

利益冲突

作者声明没有利益冲突。

数据可用性声明

支持本研究结果的数据可向相应作者提出合理请求后获取。