[論文レビュー] FBNETGEN: Task-aware GNN-based fMRI Analysis via Functional Brain Network Generation

Xuan Kan, Hejie Cui+3 more|PubMed|May 25, 2022

Functional Brain Connectivity Studies参考文献 42被引用数 29

ひとこと要約

FBNetGenは、タスク認識型のエンドツーエンドフレームワークを導入し、fMRI時系列から脳ネットワークを生成することを学習し、下流予測にはGNNを用い、ABCDとPNCで解釈可能なタスク志向グラフを用いた最先端の性別予測を達成します。

ABSTRACT

Functional magnetic resonance imaging (fMRI) is one of the most common imaging modalities to investigate brain functions. Recent studies in neuroscience stress the great potential of functional brain networks constructed from fMRI data for clinical predictions. Traditional functional brain networks, however, are noisy and unaware of downstream prediction tasks, while also incompatible with the deep graph neural network (GNN) models. In order to fully unleash the power of GNNs in network-based fMRI analysis, we develop FBNETGEN, a task-aware and interpretable fMRI analysis framework via deep brain network generation. In particular, we formulate (1) prominent region of interest (ROI) features extraction, (2) brain networks generation, and (3) clinical predictions with GNNs, in an end-to-end trainable model under the guidance of particular prediction tasks. Along with the process, the key novel component is the graph generator which learns to transform raw time-series features into task-oriented brain networks. Our learnable graphs also provide unique interpretations by highlighting prediction-related brain regions. Comprehensive experiments on two datasets, i.e., the recently released and currently largest publicly available fMRI dataset Adolescent Brain Cognitive Development (ABCD), and the widely-used fMRI dataset PNC, prove the superior effectiveness and interpretability of FBNETGEN. The implementation is available at https://github.com/Wayfear/FBNETGEN.

研究の動機と目的

• fMRIデータのエンドツーエンド解析を動機づけ、タスク認識型の脳ネットワーク生成を可能にする。
• GNNと互換性のある、予測向上のためのポジティブでタスク特異的な機能的脳グラフを生成する。
• 予測に関連する領域を強調する解釈可能な脳結合パターンを提供する。
• 時系列ベースラインや従来のグラフ手法より優れた予測性能を実証する。

提案手法

• 時系列エンコーダ（1D-CNNまたは bi-GRU）を用いて、BOLD信号から縮小・ノイズ除去された ROI 特徴 h_e を取得する。
• グラフ生成器は A = h_A h_A^T を計算し、h_A = softmax(h_e) によって、正の重みを持つタスク指向の脳ネットワークを生成する。
• グラフ予測器は、ノードを Pearson-based 特徴 F と隣接行列 A で初期化し、K層のGNNを用いてラベルを予測する。
• 三つのタスク適合正則化を含む、L = L_ce + alpha L_intra + beta L_inter + gamma L_sparsity を最適化するエンドツーエンド学習。
• 正則化項には、グループ内損失（同一クラス内の一貫性）、グループ間損失（クラス間分離）、およびスパース性損失（エッジのスパース性）を含む。
• アブレーション分析は、正則化項の除去の影響と、エンドツーエンドのタスク認識設計の利点を示す。

実験結果

リサーチクエスチョン

• RQ1 FBNetGenは、データセット全体で時系列ベースラインや従来のグラフ構築法を上回る予測性能を示しますか？
• RQ2 学習されたタスク志向の脳グラフは解釈可能で、既知の神経生物学的発見（例：DMN、性別に関連する結合性）と一致しますか？
• RQ3 提案された正則化項（グループ内損失・グループ間損失およびスパース性）は予測精度と解釈性にどのような影響を与えますか？
• RQ4 学習されたグラフは、PNCとABCD、および脳アトラスを跨いで一貫した再現性の高い洞察を提供しますか？

主な発見

• FBNetGenは、PNCおよびABCDの両データセットでAUROCと精度の点で、時系列エンコーダや従来/学習可能グラフ手法を含むすべてのベースラインを上回ります。
• 学習されたタスク志向グラフは、予測に関連する結合とGNNと互換性のある正の重み付きエッジを強調し、識別性を高めます。
• アブレーション研究は、すべての正則化項（CE + GL + SL）を含めると、除去された変異よりも安定した高い性能を示す。
• 解釈可能性の分析は、学習されたグラフがデフォルトモードネットワークなどのモジュールを強調し、性差に関する神経生物学的発見と一致することを明らかにする。
• データセットを跨いでも、方法は一貫した解釈性と予測向上を示し、そのエンドツーエンド、タスク認識設計を立証している。