[論文レビュー] Graph Convolutions on Spectral Embeddings: Learning of Cortical Surface Data

Karthik Gopinath, Christian Desrosiers+1 more|arXiv (Cornell University)|Mar 27, 2018

Functional Brain Connectivity Studies参考文献 18被引用数 4

ひとこと要約

本稿では、異なる皮質表面幾何構造間でのスペクトル埋め込みの転送を可能にするスペクトルグラフマッチングを活用した、革新的なグラフ畳み込みフレームワークを提案する。これにより、スペクトルフィルタを用いた表面データの直接学習が可能となり、皮質パラセレーションで82.2%のDiceスコアを達成。FreeSurferの83%と同等の性能を発揮するとともに、処理時間を1人当たり3時間から18秒に短縮した。

ABSTRACT

Neuronal cell bodies mostly reside in the cerebral cortex. The study of this thin and highly convoluted surface is essential for understanding how the brain works. The analysis of surface data is, however, challenging due to the high variability of the cortical geometry. This paper presents a novel approach for learning and exploiting surface data directly across surface domains. Current approaches rely on geometrical simplifications, such as spherical inflations, a popular but costly process. For instance, the widely used FreeSurfer takes about 3 hours to parcellate brain surfaces on a standard machine. Direct learning of surface data via graph convolutions would provide a new family of fast algorithms for processing brain surfaces. However, the current limitation of existing state-of-the-art approaches is their inability to compare surface data across different surface domains. Surface bases are indeed incompatible between brain geometries. This paper leverages recent advances in spectral graph matching to transfer surface data across aligned spectral domains. This novel approach enables a direct learning of surface data across compatible surface bases. It exploits spectral filters over intrinsic representations of surface neighborhoods. We illustrate the benefits of this approach with an application to brain parcellation. We validate the algorithm over 101 manually labeled brain surfaces. The results show a significant improvement in labeling accuracy over recent Euclidean approaches, while gaining a drastic speed improvement over conventional methods.

研究の動機と目的

• 神経画像診断における、極めて多様で非一様な皮質幾何構造の間で表面データを学習する課題に対処すること。
• 既存のグラフ畳み込み手法が、ラプラシアン固有基底が不一致であるため、異なる表面ドメイン間でのデータ比較ができないという限界を克服すること。
• 内在的近傍構造表現を用いたスペクトルドメインにおけるスペクトルフィルタを用いた、皮質表面データの直接学習を可能にすること。
• 対応するスペクトルドメインに合わせたスペクトル座標の転送により、皮質パラセレーションにおいて高い精度と高速性を達成すること。
• スペクトルベースのグラフ畳み込みが、ユーリジアンベースのアプローチよりも精度および計算効率の両面で優れていることを示すこと。

提案手法

• 異なる脳表面幾何構造間でラプラシアン固有基底を整列させるためにスペクトルグラフマッチングを用い、表面データのドメイン間比較を可能にする。
• 皮質表面をグラフとして表現し、グラフラプラシアンの最初の数個の固有ベクトルを用いてスペクトル多様体に埋め込む。
• 内在的近傍構造をスペクトルドメインで処理するスペクトルフィルタを用いたグラフ畳み込みネットワーク（GCN）を適用する。
• 畳み込み演算中に局所的な幾何的パターンを保持するために、スペクトル座標に基づいた重み付き隣接行列を構築する。
• 手動でラベル付けされた皮質パラセレーションデータ上で教師あり学習の設定でGCNを訓練し、Diceスコアを最適化する。
• 予測後処理における境界の滑らかさを向上させるために、ポッツモデルを用いたマークフ・ランダムフィールド（MRF）正則化を適用する。

実験結果

リサーチクエスチョン

• RQ1 ラプラシアン固有基底が不一致であるにもかかわらず、スペクトルグラフ畳み込みが異なる幾何構造の皮質表面データに効果的に適用可能かどうか。
• RQ2 通常のユーリジアンベースのグラフ畳み込み手法と比較して、スペクトルドメインでの学習がパラセレーション精度を向上させるかどうか。
• RQ3 スペクトルドメインにおける近傍情報の統合が、ポイントワイズなスペクトル学習と比較して性能をどの程度向上させるか。
• RQ4 本手法が、FreeSurferなどの従来手法と比較して、著しく計算時間を短縮しつつ、最先端のパラセレーション精度を達成できるかどうか。
• RQ5 Diceスコアの分散を用いて測定した場合、スペクトルアプローチの性能が多様な皮質表面に対してどの程度安定しているか。

主な発見

• 提案されたスペクトルグラフ畳み込みフレームワークは、32個の皮質パラセレーション領域で平均82.2%（±5.3%）のDiceスコアを達成し、ユーリジアンベースライン（59.0%）を顕著に上回った。
• 処理時間は、FreeSurferの約3時間から1人当たり18秒に短縮され、1桁のスピードアップが達成された。
• スペクトルドメインにおける近傍情報を統合することで、Diceスコアは82.2%に向上した。これは、ポイントワイズなスペクトル情報のみを用いた場合の75.6%と比較して顕著な改善である。
• パラセレーション領域間のDiceスコアの標準偏差は、スペクトル手法で5.3%であった。これは、FreeSurferの10.3%およびユーリジアン手法の20.5%よりも顕著に低く、より高い安定性を示している。
• MRF正則化により、スペクトル手法の精度は85.4%に向上し、ハウスドルフ距離は12.3mmから10.6mmに短縮された。境界品質の向上が明確に示された。
• MindBoggleデータセットにおけるFreeSurferの83.2%のDiceスコアと同等の性能を達成したが、計算効率の面で顕著な優位性を示した。