[論文レビュー] Graph Autoencoders for Embedding Learning in Brain Networks and Major Depressive Disorder Identification

Fuad Noman, Chee‐Ming Ting+5 more|arXiv (Cornell University)|Jul 27, 2021

Functional Brain Connectivity Studies被引用数 8

ひとこと要約

本稿では、うつ病（MDD）分類のための機能的結合（FC）ネットワークとしてのfMRIから得られる低次元でトポロジカルに情報のある埋め込みを学習する、グラフ畳み込みネットワーク（GCN）と統合されたグラフオートエンコーダー（GAE）を提案する。この手法は、最新のモデルを著しく上回り、Ledoit-Wolfス hrinkageに基づくFC推定を用いた非教師ありGAE-FCNNにより、REST-meta-MDDデータセットで65.07%の正確性を達成した。

ABSTRACT

Brain functional connectivity (FC) reveals biomarkers for identification of various neuropsychiatric disorders. Recent application of deep neural networks (DNNs) to connectome-based classification mostly relies on traditional convolutional neural networks using input connectivity matrices on a regular Euclidean grid. We propose a graph deep learning framework to incorporate the non-Euclidean information about graph structure for classifying functional magnetic resonance imaging (fMRI)-derived brain networks in major depressive disorder (MDD). We design a novel graph autoencoder (GAE) architecture based on the graph convolutional networks (GCNs) to embed the topological structure and node content of large-sized fMRI networks into low-dimensional latent representations. In network construction, we employ the Ledoit-Wolf (LDW) shrinkage method to estimate the high-dimensional FC metrics efficiently from fMRI data. We consider both supervised and unsupervised approaches for the graph embedding learning. The learned embeddings are then used as feature inputs for a deep fully-connected neural network (FCNN) to discriminate MDD from healthy controls. Evaluated on two resting-state fMRI (rs-fMRI) MDD datasets, results show that the proposed GAE-FCNN model significantly outperforms several state-of-the-art methods for brain connectome classification, achieving the best accuracy using the LDW-FC edges as node features. The graph embeddings of fMRI FC networks learned by the GAE also reveal apparent group differences between MDD and HC. Our new framework demonstrates feasibility of learning graph embeddings on brain networks to provide discriminative information for diagnosis of brain disorders.

研究の動機と目的

• 脳機能的結合（FC）ネットワークにおける非ユークリッド的トポロジカル構造を捉えることが困難なユークリッド的深層学習モデルの限界を解決すること。
• ノード特徴量とネットワークトポロジーを同時にモデル化するグラフ深層学習フレームワークを構築し、MDD分類の精度を向上させること。
• MDDおよび健康対照（HC）被験者からの実際のrs-fMRIデータを用いて、GAEによって学習されたグラフ埋め込みの判別力の評価を行うこと。
• 接続体ベース分類のための教師ありと非教師ありのグラフ埋め込み学習戦略を比較すること。
• 提案されたフレームワークを用いて、異なる脳パラセレーションアトラスが分類性能に与える影響を評価すること。

提案手法

• リラックス状態fMRI（rs-fMRI）データから高次元の機能的結合（FC）行列を効率的に推定するために、Ledoit-Wolf（LDW）スリクイング手法を採用する。
• ノードのコンテンツと脳ネットワークのトポロジカル構造を両方とも符号化する低次元の潜在表現を学習するため、グラフ畳み込みネットワーク（GCN）に基づく新しいグラフオートエンコーダー（GAE）を設計する。
• 学習されたGAE埋め込みを、MDD対HC分類のための深層全結合ニューラルネットワーク（FCNN）の入力特徴として使用する。
• 非教師ありGAEと教師ありGCN-FCNNの両バージョンを適用し、層数、次元数、ドロップアウト率、および学習率についてベイズ最適化を用いたハイパーパramータサーチを実施する。
• 複数の脳パラセレーションアトラス（AAL、Harvard-Oxford、Power）を用い、5分割交差検証を実施し、標準的な指標を用いて性能を評価する。
• 最終分類器のロバスト性を評価するために、GCN-FCNNパイプラインに複数の集約関数（フラット化、平均、最大値、合計）を組み込む。

Figure 1: The architecture of proposed GAE-FCNN framework for functional brain network classification. (a) Unsupervised model. The model consists of two components: A GAE employs a GCN-based encoder to encode fMRI connectome data (graph structure $\mathbf{A}$ & node content $\mathbf{X}$ ) into laten

実験結果

リサーチクエスチョン

• RQ1 グラフオートエンコーダーは、fMRI由来の脳機能的結合ネットワークから、MDD分類のための判別的で低次元の埋め込みを効果的に学習できるか？
• RQ2 提案されたGAE-FCNNフレームワークは、rs-fMRI MDDデータセットにおいて、CNNや従来の分類器を含む最新の手法と比較して、どのように性能を発揮するか？
• RQ3 GAEによる非教師あり事前学習を用いることで、教師ありGCN-FCNNやエンドツーエンド学習に比べ、下流の分類性能が向上するか？
• RQ4 AAL、Harvard-Oxford、Powerのうち、どの脳パラセレーションアトラスが、提案手法を用いたMDD分類において最も判別的であるFCネットワークを提供するか？
• RQ5 学習されたグラフ埋め込みは、MDDと健康対照被験者間の生物学的に意味のある群差を示すか？

主な発見

• 非教師ありGAE-FCNNモデルは、REST-meta-MDDデータセットで65.07% ± 5.56の最高の分類正確性を達成し、SVM-RBF（62.67%）、BrainNetCNN（60.53%）および他のGCNベースのモデルを著しく上回った。
• 提案手法は、高い感度（69.74%）と特異度（60.00%）を示す67.29%のバランスF1スコアを達成し、良好な一般化性能とロバスト性を示した。
• AAL-116アトラスは、すべての手法において最も高い分類性能を示し、解剖的ROIが機能的またはアトラスベースのROIよりもより判別的特徴を提供する可能性を示唆した。
• GAEによって学習されたグラフ埋め込みは、MDD群とHC群の間で明確なトポロジカル差を示し、生物学的関連性と判別力の両方を裏付けるものであった。
• 非教師ありGAE-FCNNは、教師ありGCN-FCNN（59.47%の正確性）でさえも上回った。これは、ラベルなしでグラフ構造を事前学習することの価値を示している。
• 本手法は、複数の評価指標において一貫した性能向上を示し、異なるパラセレーション方式に対してもロバストであるため、一般化性能が優れていることが裏付けられた。

Figure 2: The learning curve as a function of training epochs and reconstruction loss of the GAE model.