[論文レビュー] DecGAN: Decoupling Generative Adversarial Network detecting abnormal neural circuits for Alzheimer's disease

Junren Pan, Baiying Lei+4 more|arXiv (Cornell University)|Oct 12, 2021

Cell Image Analysis Techniques参考文献 52被引用数 4

ひとこと要約

本稿では、fMRI および DTI のマルチモodal脳ネットワークを、ADに重要な回路を表すスパースサブグラフと無視できる補助グラフに分解することで、アルツハイマー病（AD）における異常神経回路を検出する、新しい分離型生成対抗ネットワークであるDecGANを提案する。グラフベースの分離モジュール、対抗訓練、および空間的・スペクトル的ハイパーグラフ類似度に基づくスパース容量損失を統合することで、再構成に基づく脳ネットワークを用いたADステージ分類において、最先端の性能を達成し、検出精度と耐性を向上させる。

ABSTRACT

One of the main reasons for Alzheimer's disease (AD) is the disorder of some neural circuits. Existing methods for AD prediction have achieved great success, however, detecting abnormal neural circuits from the perspective of brain networks is still a big challenge. In this work, a novel decoupling generative adversarial network (DecGAN) is proposed to detect abnormal neural circuits for AD. Concretely, a decoupling module is designed to decompose a brain network into two parts: one part is composed of a few sparse graphs which represent the neural circuits largely determining the development of AD; the other part is a supplement graph, whose influence on AD can be ignored. Furthermore, the adversarial strategy is utilized to guide the decoupling module to extract the feature more related to AD. Meanwhile, by encoding the detected neural circuits to hypergraph data, an analytic module associated with the hyperedge neurons algorithm is designed to identify the neural circuits. More importantly, a novel sparse capacity loss based on the spatial-spectral hypergraph similarity is developed to minimize the intrinsic topological distribution of neural circuits, which can significantly improve the accuracy and robustness of the proposed model. Experimental results demonstrate that the proposed model can effectively detect the abnormal neural circuits at different stages of AD, which is helpful for pathological study and early treatment.

研究の動機と目的

• 従来の手法でしばしば無視される、fMRI および DTI のマルチモダリティ脳ネットワークから、アルツハイマー病における異常神経回路を検出する課題に対処すること。
• ADに重要な回路と影響のない成分に脳ネットワークを分離できる深層学習フレームワークを構築し、正確な病理的分析を可能にすること。
• 対抗訓練と、内在的なトポロジカル構造を保持する新しいスパース容量損失を活用して、AD関連神経回路の特徴表現を向上させること。
• AD進行と関連する主要な神経回路を特定することで、早期診断に向けた耐性があり説明可能なモデルを提供すること。

提案手法

• マルチモダリティ脳ネットワークを、ADに重要な神経回路を表すスパースサブグラフと、ADにほとんど影響しない補助グラフに分離するための分離モジュールを設計する。
• 生成器は、分離されたコンポーネントと潜在空間から元の脳ネットワークを再構成し、分離プロセスの特徴表現と安定性を向上させる。
• 判別器は、実際の脳ネットワークと再構成されたネットワークを区別するように対抗的に訓練され、AD関連特徴を学習する能力が向上する。
• ハイパーグラフに基づく分析モジュールにハイパーエッジニューロンを用い、分離されたサブグラフから検出された神経回路を特定・表現する。
• 空間的・スペクトル的ハイパーグラフ類似度に基づく新しいスパース容量損失を導入し、神経回路間のトポロジカル差を最小化することで、耐性と精度を向上させる。
• グラフ畳み込みネットワーク（GCNs）を活用して、機能的（rs-fMRI）および構造的（DTI）結合データから補完的なトポロジカル特徴を抽出する。

実験結果

リサーチクエスチョン

• RQ1 深層生成モデルは、マルチモダリティ脳ネットワークをADに重要な神経回路と影響のない成分に効果的に分離できるか？
• RQ2 対抗訓練と新しい損失関数は、アルツハイマー病における異常神経回路の検出をどのように向上させるか？
• RQ3 スパース容量損失は、検出された神経回路のトポロジカル忠実度と分類性能をどの程度向上させるか？
• RQ4 分離コンポーネントから再構成された脳ネットワークは、ADステージ分類において先行研究のネットワークを上回る性能を示せるか？

主な発見

• DecGANは、アルツハイマー病（AD）対正常対照（NC）分類において、85.18％の精度、93.75％の感度、72.72％のF1スコアを達成し、先行研究のネットワークを上回った。
• 再構成に基づく脳ネットワークは、GCNを用いたNC対AD分類で86.20％の精度と88.88％のF1スコアを示し、先行研究のネットワーク（82.75％の精度、83.87％のF1スコア）を顕著に上回った。
• スパース容量損失により、神経回路間の内在的トポロジカル差を最小化することで、ADステージ全体にわたる一般化能力が向上し、モデルの耐性が向上した。
• 検出された神経回路は、臨床文献による検証を通じて、辺縁系皮質、頭頂小脳、頭頂小脳と関連する既知のAD影響領域と強く相関していた。
• モデルは、NC、EMCI、LMCI、ADの各ADステージで異常回路を効果的に同定でき、早期病理的検出への応用可能性を裏付けた。
• 再構成された構造的結合（重み付き隣接行列）の可視化により、DecGANが意味のあるネットワークトポロジーを保持しており、先行研究のネットワークよりも明確なAD関連パターンを示していることが確認された。