[論文レビュー] Deep Hypergraph U-Net for Brain Graph Embedding and Classification

Mert Lostar, Islem Rekik|arXiv (Cornell University)|Aug 30, 2020

Functional Brain Connectivity Studies参考文献 42被引用数 5

ひとこと要約

本稿では、脳コネクトームデータにおける高次関係を捉えるために、U-Netアーキテクチャをハイパーグラフに一般化した新しい深層学習フレームワークであるHypergraph U-Net（HUNet）を提案する。ハイパーグラフプーリングおよびアンプーリング層を導入することで、異種の脳ネットワークデータセットにおいて、最先端の手法と比較して4–14%高い分類精度を達成し、神経疾患診断におけるスケーラビリティと一般化性能の向上を示した。

ABSTRACT

-Background. Network neuroscience examines the brain as a complex system represented by a network (or connectome), providing deeper insights into the brain morphology and function, allowing the identification of atypical brain connectivity alterations, which can be used as diagnostic markers of neurological disorders. -Existing Methods. Graph embedding methods which map data samples (e.g., brain networks) into a low dimensional space have been widely used to explore the relationship between samples for classification or prediction tasks. However, the majority of these works are based on modeling the pair-wise relationships between samples, failing to capture their higher-order relationships. -New Method. In this paper, inspired by the nascent field of geometric deep learning, we propose Hypergraph U-Net (HUNet), a novel data embedding framework leveraging the hypergraph structure to learn low-dimensional embeddings of data samples while capturing their high-order relationships. Specifically, we generalize the U-Net architecture, naturally operating on graphs, to hypergraphs by improving local feature aggregation and preserving the high-order relationships present in the data. -Results. We tested our method on small-scale and large-scale heterogeneous brain connectomic datasets including morphological and functional brain networks of autistic and demented patients, respectively. -Conclusion. Our HUNet outperformed state-of-the-art geometric graph and hypergraph data embedding techniques with a gain of 4-14% in classification accuracy, demonstrating both scalability and generalizability. HUNet code is available at https://github.com/basiralab/HUNet.

研究の動機と目的

• 既存のグラフ埋め込み手法が脳ネットワークサンプル間の高次関係を捉えることのできないという限界に対処すること。
• ハイパーグラフ構造を用いて、脳コネクトーム分類のためのスケーラブルで一般化可能な深層学習フレームワークを開発すること。
• 新規のハイパーグラフプーリングおよびアンプーリング操作を設計することで、U-Netアーキテクチャをハイパーグラフに拡張すること。
• 自閉症および認知症患者から得られた形態的および機能的ネットワークを含む、小規模および大規模な脳コネクトミクスデータセットにおいて、分類性能を向上させること。
• 類似した脳結合性状態の変化を共有する患者のグループ化を解釈可能に行い、精密医療の応用を可能とすること。

提案手法

• 本手法は、U-Netエンコーダ・デコーダアーキテクチャをハイパーグラフ上で動作可能に一般化し、標準的なグラフ畳み込みをハイパーグラフ畳み込み層に置き換える。
• ダウンサンプリングおよびアップサンプリング中に高次関係を保持するために、ハイパーグラフプーリング（hPool）およびハイパーグラフアンプーリング（hUnpool）層を導入する。
• 各ハイパーエッジが複数のノード（被験者）を接続するハイパーグラフ構造を採用し、脳ネットワークサンプル間の多対多関係をモデル化する。
• ノードのサブセット間の相互作用を捉えるために、高次メッセージパッシング機構を用いて特徴の集約を強化する。
• 二値または多値分類のための交差エントロピー損失を用いて、エンドツーエンドでモデルを訓練する。
• 幾何的深層学習の原則を活用して、脳コネクトームの代表的かつ判別性の高い低次元埋め込みを学習する。

実験結果

リサーチクエスチョン

• RQ1 標準的なグラフベース手法と比較して、ハイパーグラフベースの表現学習は、脳コネクトームの分類を改善できるか？
• RQ2 U-Netスタイルのアーキテクチャは、神経画像データにおける高次関係をモデル化するために、ハイパーグラフに効果的に一般化できるか？
• RQ3 ハイパーグラフプーリングおよびアンプーリングは、脳ネットワーク埋め込みにおけるダウンサンプリングおよびアップサンプリング段階で判別性の高い特徴をどのように保持するか？
• RQ4 HUNetは、異種の脳コネクトミクスデータセット（例：形態的vs機能的、自閉症vsアルツハイマー病）にどの程度一般化できるか？
• RQ5 学習されたプーリングおよびアンプーリング重みは、類似した脳結合性状態の変化を示す患者のサブグループを特定するために解釈可能か？

主な発見

• HUNetは、小規模および大規模な脳コネクトミクスデータセットにおいて、最先端の幾何的グラフおよびハイパーグラフ埋め込み手法と比較して、4–14%の分類精度の向上を達成した。
• 本手法は、自閉症およびアルツハイマー病患者の機能的および形態的脳ネットワークを含む、多様なデータ分布において、強力なスケーラビリティと一般化性能を示した。
• ハイパーグラフプーリングおよびアンプーリングの使用により、被験者間の高次関係が効果的に捉えられ、より代表的で判別性の高い埋め込みが得られた。
• モデルの性能は、深さを増しても安定したが、過剰な深さや高いプーリング比では過学習が観察された。
• 学習されたハイパーグラフ構造により、類似した脳結合性状態の変化を共有する患者のグループ化が解釈可能になった。これは、精密医療の応用を支援した。
• GCN、GAE、HGNNなどの既存手法と比較して、HUNetは特にコネクトームデータにおける複雑な複数被験者間の相互作用パターンを捉える点で優れた性能を示した。