Lstginet: red local de inferencia de gráficos espacio-temporales de atención local para la predicción de edad
Autores: Lei, Yi; Wen, Xin; Hao, Yanrong; Cao, Ruochen; Gao, Chengxin; Wang, Peng; Guo, Yuanyuan; Cao, Rui
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Lstginet: red local de inferencia de gráficos espacio-temporales de atención local para la predicción de edad
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería de Software
Palabras clave
Correlación
Envejecimiento cerebral
Edad
Redes neuronales
Espacio-temporal
Semántica
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 27
Citaciones: Sin citaciones
Existe una estrecha correlación entre el envejecimiento cerebral y la edad. Sin embargo, las redes neuronales tradicionales no pueden capturar completamente la correlación potencial entre la edad y el envejecimiento cerebral debido al campo receptivo limitado. Además, se preocupan más por la semántica espacial profunda, ignorando el hecho de que la información temporal efectiva puede enriquecer la representación de la semántica de bajo nivel. Para abordar estas limitaciones, se desarrolló una red de inferencia gráfica espacio-temporal de atención local (LSTGINet) para explorar los detalles de la asociación entre la edad y el envejecimiento cerebral, teniendo en cuenta tanto las perspectivas espacio-temporales como temporales. Primero, se utilizan ramas temporales y espaciales a múltiples escalas para aumentar el campo receptivo y modelar la información de la edad simultáneamente, logrando la percepción de la correlación estática. En segundo lugar, se reconstruyen estos grafos de características espacio-temporales y se construyen topografías grandes. La agregación de nodos de inferencia gráfica y las funciones de transferencia capturan completamente la correlación dinámica oculta entre el envejecimiento cerebral y la edad. Se incorpora un nuevo módulo de atención local en el componente de inferencia gráfica para enriquecer la semántica del contexto global, establecer dependencias e interactividad entre diferentes características espacio-temporales y equilibrar las diferencias en la distribución espacio-temporal de diferentes semánticas. Utilizamos una función de pérdida ponderada recién diseñada para supervisar el aprendizaje de todo el marco de predicción para fortalecer el proceso de inferencia de correlación espacio-temporal. Los resultados experimentales finales muestran que el MAE en conjuntos de datos de referencia como CamCAN y NKI es de 6,33 y 6,28, respectivamente, mejor que los métodos actuales de predicción de edad de vanguardia, y proporciona una base para evaluar el estado del envejecimiento cerebral en adultos.
Descripción
Existe una estrecha correlación entre el envejecimiento cerebral y la edad. Sin embargo, las redes neuronales tradicionales no pueden capturar completamente la correlación potencial entre la edad y el envejecimiento cerebral debido al campo receptivo limitado. Además, se preocupan más por la semántica espacial profunda, ignorando el hecho de que la información temporal efectiva puede enriquecer la representación de la semántica de bajo nivel. Para abordar estas limitaciones, se desarrolló una red de inferencia gráfica espacio-temporal de atención local (LSTGINet) para explorar los detalles de la asociación entre la edad y el envejecimiento cerebral, teniendo en cuenta tanto las perspectivas espacio-temporales como temporales. Primero, se utilizan ramas temporales y espaciales a múltiples escalas para aumentar el campo receptivo y modelar la información de la edad simultáneamente, logrando la percepción de la correlación estática. En segundo lugar, se reconstruyen estos grafos de características espacio-temporales y se construyen topografías grandes. La agregación de nodos de inferencia gráfica y las funciones de transferencia capturan completamente la correlación dinámica oculta entre el envejecimiento cerebral y la edad. Se incorpora un nuevo módulo de atención local en el componente de inferencia gráfica para enriquecer la semántica del contexto global, establecer dependencias e interactividad entre diferentes características espacio-temporales y equilibrar las diferencias en la distribución espacio-temporal de diferentes semánticas. Utilizamos una función de pérdida ponderada recién diseñada para supervisar el aprendizaje de todo el marco de predicción para fortalecer el proceso de inferencia de correlación espacio-temporal. Los resultados experimentales finales muestran que el MAE en conjuntos de datos de referencia como CamCAN y NKI es de 6,33 y 6,28, respectivamente, mejor que los métodos actuales de predicción de edad de vanguardia, y proporciona una base para evaluar el estado del envejecimiento cerebral en adultos.