Élagage de réseaux de neurones convolutifs sur graphes pour la sélection de fréquences significatives pour le décodage d'IRMf
Résumé
Graph signal processing defines tools to manipulate signals evolving on irregular domains, such as brain signals, by encompassing the spatial dependencies between regions of interest in the brain. In this work, we are interested in better understanding what are the graph frequencies that are the most useful to decode Functional Magnetic Resonance Imaging (fMRI) signals. For that, we introduce a deep learning architecture and adapt a pruning methodology to automatically identify such frequencies. Our experiments show that low graph frequencies are consistently identified as the most important for fMRI decoding, with a stronger contribution for the functional graph over the structural one.
Le traitement du signal sur graphe permet de manipuler des signaux évoluant sur des structures irrégulières, comme par exemple les signaux cérébraux, en exploitant les dépendances spatiales entre les régions d'intérêt dans le cerveau. Dans ce contexte, nous nous intéressons à mieux comprendre quelles sont les fréquences du graphe les plus utiles pour décoder des signaux d'Imagerie par Résonance Magnétique Fonctionnelle (IRMf). À cette fin, nous introduisons une architecture d'apprentissage profond et adaptons une méthode d'élagage pour identifier automatiquement ces fréquences. Nos expériences montrent que les basses fréquences des graphes sont systématiquement identifiées comme les plus importantes, avec une contribution plus forte pour le graphe fonctionnel que pour le graphe structurel.
Fichier principal
HAL_Yassine_Elouahidi_elagage_gcn_fmri_brain_decoding.pdf (582.57 Ko)
Télécharger le fichier
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|