[論文レビュー] Deep neural networks on graph signals for brain imaging analysis

Yiluan Guo, Hossein Nejati+1 more|arXiv (Cornell University)|May 13, 2017

Advanced Graph Neural Networks被引用数 9

ひとこと要約

本論文は、ノイズが混入した高次元のMEG脳画像データから低次元で判別性の高い表現を学習するために、グラフ畳み込みネットワーク（GCNs）と全結合層を統合した新しい深層オートエンコーダー・アーキテクチャを提案する。チェビシェフ多項式近似を用いたグラフ信号処理と、脳結合性（グレインジャーカウザリティ）を事前構造情報として活用することで、実際のMEGデータセットにおいて、PCA や RPCA、標準オートエンコーダーを上回る最先端の分類精度を達成した。

ABSTRACT

Brain imaging data such as EEG or MEG are high-dimensional spatiotemporal data often degraded by complex, non-Gaussian noise. For reliable analysis of brain imaging data, it is important to extract discriminative, low-dimensional intrinsic representation of the recorded data. This work proposes a new method to learn the low-dimensional representations from the noise-degraded measurements. In particular, our work proposes a new deep neural network design that integrates graph information such as brain connectivity with fully-connected layers. Our work leverages efficient graph filter design using Chebyshev polynomial and recent work on convolutional nets on graph-structured data. Our approach exploits graph structure as the prior side information, localized graph filter for feature extraction and neural networks for high capacity learning. Experiments on real MEG datasets show that our approach can extract more discriminative representations, leading to improved accuracy in a supervised classification task.

研究の動機と目的

• 不規則で脳構造に由来するグラフ上に存在する高次元でノイズが混入したMEG信号から、頑健で低次元の表現を抽出する課題に対処すること。
• 特にグレインジャーカウザリティから導出された脳結合性を特徴とするグラフ構造的事前知識を、深層ニューラルネットワークに統合し、脳画像における特徴学習を向上させること。
• グラフ畳み込み層と全結合層を組み合わせた、グラフ構造信号におけるエンドツーエンドの教師なし表現学習を目的とした深層オートエンコーダーフレームワークを構築すること。
• グラフ構造と非線形変換が、MEGベースの分類タスクにおける判別性を向上させるかどうかを評価すること。

提案手法

• 本手法は、センサー位置と時間的ダイナミクスを用いて、グレインジャーカウザリティを用いて推定された脳結合性グラフ上にMEG信号をグラフ信号としてモデル化する。
• グラフ畳み込み層は、局所的なグラフフィルタを効率的に計算するために、一次のチェビシェフ多項式近似を用いて実装される。
• アーキテクチャは、オートエンコーダー構造に従い、グラフ畳み込み層をスタックした後、全結合層を配置し、平均二乗誤差損失関数を用いてエンドツーエンドで学習される。
• 非線形活性化関数（例：ReLU）を各グラフ畳み込み層の後に適用することで、非線形特徴学習と階層的表現抽出を可能にする。
• ボトルネック層からの最終的な低次元表現を、線形SVMへの入力として用いることで、教師あり分類を実施する。
• モデルは教師なしで学習され、グラフ構造が特徴学習をガイドするインダクティブバイアスとして機能する。

実験結果

リサーチクエスチョン

• RQ1 脳結合性をグラフ事前知識として統合することで、標準的な次元削減手法を上回るMEGデータの表現学習品質が向上するか？
• RQ2 グラフ畳み込み層に非線形活性化関数を組み込むことで、学習された特徴の判別性にどのような影響を与えるか？
• RQ3 本手法は、PCA や RPCA や標準オートエンコーダーを上回り、異なる視覚刺激からのMEG信号分類において優れた性能を示すか？
• RQ4 性能がグラフ構造の選択にどれほど敏感であるか、特に真の結合性グラフを単位行列やランダム行列に置き換えた場合の影響は？

主な発見

• 提案手法は3名の被験者において平均分類精度68.33%を達成し、PCA（65.29%）、RPCA（66.56%）、標準オートエンコーダー（66.93%）を顕著に上回った。
• 真のグレインジャーカウザリティに基づくグラフ（GCC）を隣接行列として使用した場合が最も高い性能を示し、被験者別に68.33%、64.14%、64.35%の精度を記録した。
• GCCを単位行列に置き換えた場合、性能は66.16%に低下し、グラフ構造が単なるセンサー単位処理を上回る意味のあるインダクティブバイアスを提供していることが示された。
• グラフをランダムな対称行列に置き換えた場合、精度は急激に59.41%に低下し、誤ったグラフ事前知識が性能を劣化させることを示し、正確な結合性モデリングの必要性を裏付けた。
• グラフ畳み込み層における非線形活性化関数を削除した場合、精度は66.56%に低下し、非線形変換がグラフ構造を効果的に活用する上で不可欠であることが示された。
• 4層のオートエンコーダーにグラフ畳み込み層を組み込んだ構造は、2層および4層の標準オートエンコーダーを上回る性能を示し、グラフに適応した特徴学習の利点を確認した。