[論文レビュー] Comparison of Brain Networks with Unknown Correspondences

Sofia Ira Ktena, Sarah Parisot+2 more|arXiv (Cornell University)|Nov 15, 2016

Functional Brain Connectivity Studies被引用数 3

ひとこと要約

本稿では、事前に定義されたノード対応が不要なグラフ編集距離（GED）に基づく脳ネットワーク比較手法を提案する。空間的制約と局所的ネットワーク特徴を統合することで、類似度評価を向上させる。30名の無関係な被験者と40対のミモノザイゴティック双子を対象に評価した結果、α=0.5およびnn=7近傍の最適な性能を示した。

ABSTRACT

Graph theory has drawn a lot of attention in the field of Neuroscience during the last decade, mainly due to the abundance of tools that it provides to explore the interactions of elements in a complex network like the brain. The local and global organization of a brain network can shed light on mechanisms of complex cognitive functions, while disruptions within the network can be linked to neurodevelopmental disorders. In this effort, the construction of a representative brain network for each individual is critical for further analysis. Additionally, graph comparison is an essential step for inference and classification analyses on brain graphs. In this work we explore a method based on graph edit distance for evaluating graph similarity, when correspondences between network elements are unknown due to different underlying subdivisions of the brain. We test this method on 30 unrelated subjects as well as 40 twin pairs and show that this method can accurately reflect the higher similarity between two related networks compared to unrelated ones, while identifying node correspondences.

研究の動機と目的

• 個々の被験者におけるパーセレーションの個別化によりノード対応が不明な状況下での脳ネットワーク比較の課題に対処すること。
• 脳グラフにおける構造的および意味的情報を保持する類似度測定法の開発。
• 解剖学的および機能的分割のばらつきを有する個々の被験者間での脳ネットワークの正確な比較を可能にすること。
• グラフ距離指標を用いて、ミノザイゴティック双子間のような生物学的類似性を同定できるか、本手法の能力を評価すること。

提案手法

• 本手法は、空間的近接性と局所的結合パターン（ノードの「シグネチャ」）を考慮したカスタマイズされたグラフ編集距離（GED）を用い、脳グラフ間の類似度を計算する。
• ノード置換コストは、空間的距離（α）とエッジ特徴類似度（g(·)）の重み付き組み合わせとして計算され、式4で定義される。
• 編集操作に空間的制約を課すことにより、計算複雑性を低減するとともに、生物学的に意味のある対応関係を保持する。
• 多スケール近傍アプローチにより、各ノードの置換時に最大nn個の近傍を考慮し、解剖的ばらつきに対するロバスト性を向上させる。
• 個別化パーセレーション（50領域）を用いてdMRIおよびfMRIデータから得られる構造的および機能的ネットワークに本手法を適用する。
• 効率的なGED計算パイプラインを実装し、関連および非関連ネットワーク間の分離を最大化するようにパラメータを交差検証により最適化する。

実験結果

リサーチクエスチョン

• RQ1 個別化パーセレーションによるノード対応が不明な状況下でも、グラフ編集距離が脳ネットワークを効果的に比較できるか。
• RQ2 提案されたGED手法は、ミノザイゴティック双子のネットワークと無関係な被験者ペアのネットワークをどれほど明確に区別できるか。
• RQ3 脳ネットワーク比較のGEDコスト関数において、空間的近接性と局所的結合特徴の最適なバランスは何か。
• RQ4 グラフ類似度を計算する過程で、意味のあるノード対応関係を保持できるか。
• RQ5 GEDに基づく類似度測定は、遺伝的関連性のような生物学的関係を、脳ネットワークのトポロジーにおいて検出できるか。

主な発見

• 構造的ネットワークにおいて、被験者内および被験者間のグラフ距離間に有意な分離が得られ、α=0.5およびnn=7の条件下でp < 0.001であった。
• ミノザイゴティック双子ペアは、無関係なペアと比較して構造的ネットワークで有意に低いGED値を示した（p < 0.001）、本手法が遺伝的類似性を検出可能であることを裏付けた。
• 機能的ネットワークでは、α=0.2で最も良い分離が達成された。これは、機能的グラフにおいて局所的結合特徴が類似度評価を支配していることを示唆する。
• 本手法はノード対応関係を効果的に同定でき、ミノザイゴティック双子間のノード編集距離が無関係な被験者間よりも小さく、図5に可視化された。
• nn（近傍数）を7より大きくしてもGEDに顕著な影響はなく、局所的特徴の情報量が飽和していることを示唆した。
• 最適パラメータセット（α=0.5、nn=7）は、構造的および機能的データの両方において、関連および非関連ネットワーク間の分離を最良に達成した。