SASG-GCN: Self-Attention Similarity Guided Graph Convolutional Network for Multi-Type Lower-Grade Glioma Classification

计算机科学 人工智能 模式识别(心理学) 图形 相似性(几何) 可视化 胶质瘤 卷积神经网络 图像(数学) 理论计算机科学 癌症研究 生物
作者
Liangliang Liu,Jing Chang,Pei Zhang,Hongbo Qiao,Shufeng Xiong
出处
期刊:IEEE Journal of Biomedical and Health Informatics [Institute of Electrical and Electronics Engineers]
卷期号:27 (7): 3384-3395 被引量:2
标识
DOI:10.1109/jbhi.2023.3264564
摘要

Identifying the subtypes of low-grade glioma (LGG) can help prevent brain tumor progression and patient death. However, the complicated non-linear relationship and high dimensionality of 3D brain MRI limit the performance of machine learning methods. Therefore, it is important to develop a classification method that can overcome these limitations. This study proposes a self-attention similarity-guided graph convolutional network (SASG-GCN) that uses the constructed graphs to complete multi-classification (tumor-free (TF), WG, and TMG). In the pipeline of SASG-GCN, we use a convolutional deep belief network and a self-attention similarity-based method to construct the vertices and edges of the constructed graphs at 3D MRI level, respectively. The multi-classification experiment is performed in a two-layer GCN model. SASG-GCN is trained and evaluated on 402 3D MRI images which are produced from the TCGA-LGG dataset. Empirical tests demonstrate that SASG-GCN accurately classifies the subtypes of LGG. The accuracy of SASG-GCN achieves 93.62%, outperforming several other state-of-the-art classification methods. In-depth discussion and analysis reveal that the self-attention similarity-guided strategy improves the performance of SASG-GCN. The visualization revealed differences between different gliomas.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
潘妮花花完成签到 ,获得积分10
刚刚
wanci应助HP采纳,获得10
刚刚
Xiong完成签到,获得积分20
1秒前
慕青应助852采纳,获得10
2秒前
66发布了新的文献求助10
3秒前
喵拟吗喵完成签到,获得积分10
3秒前
4秒前
4秒前
6秒前
领导范儿应助elevengene采纳,获得10
6秒前
喜气洋洋完成签到 ,获得积分10
6秒前
所所应助。。采纳,获得10
7秒前
Nancy2023发布了新的文献求助20
8秒前
霸气的凝竹完成签到,获得积分20
8秒前
8秒前
8秒前
8秒前
9秒前
长期素食完成签到,获得积分10
9秒前
10秒前
啦啦啦啦关注了科研通微信公众号
10秒前
沉默听芹完成签到,获得积分10
10秒前
11秒前
研友发布了新的文献求助10
11秒前
二水发布了新的文献求助10
12秒前
小鱼吐泡泡完成签到,获得积分10
12秒前
13秒前
JIE发布了新的文献求助10
13秒前
siu发布了新的文献求助10
13秒前
Ava应助宋致力采纳,获得10
15秒前
16秒前
16秒前
Owen应助刘唐荣采纳,获得10
17秒前
喜东东发布了新的文献求助30
17秒前
搜集达人应助勇往直前采纳,获得10
18秒前
没影子的人完成签到,获得积分20
18秒前
ant完成签到,获得积分10
19秒前
20秒前
nickel发布了新的文献求助20
20秒前
wang完成签到,获得积分10
20秒前
高分求助中
The Oxford Handbook of Social Cognition (Second Edition, 2024) 1050
Kinetics of the Esterification Between 2-[(4-hydroxybutoxy)carbonyl] Benzoic Acid with 1,4-Butanediol: Tetrabutyl Orthotitanate as Catalyst 1000
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
English Wealden Fossils 700
Chen Hansheng: China’s Last Romantic Revolutionary 500
Mantiden: Faszinierende Lauerjäger Faszinierende Lauerjäger 500
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3140831
求助须知:如何正确求助?哪些是违规求助? 2791790
关于积分的说明 7800310
捐赠科研通 2448069
什么是DOI,文献DOI怎么找? 1302350
科研通“疑难数据库(出版商)”最低求助积分说明 626516
版权声明 601210