[論文レビュー] Graph Neural Networks in Network Neuroscience

Alaa Bessadok, Mohamed Ali Mahjoub+1 more|arXiv (Cornell University)|Jun 7, 2021

Functional Brain Connectivity Studies被引用数 5

ひとこと要約

この論文は、神経画像データから導出された脳グラフをモデル化するためのグラフニューラルネットワーク（GNN）ベースの手法をレビューし、欠損グラフの合成、疾患分類、マルチモodalなコネクトーム統合といったタスクにおける有効性を示している。GNNは、時間的経過、解像度、神経画像モダリティの多様性にわたる複雑な脳ネットワークのトポロジーを学習する点で最先端のパフォーマンスを発揮している。

ABSTRACT

Noninvasive medical neuroimaging has yielded many discoveries about the brain connectivity. Several substantial techniques mapping morphological, structural and functional brain connectivities were developed to create a comprehensive road map of neuronal activities in the human brain -namely brain graph. Relying on its non-Euclidean data type, graph neural network (GNN) provides a clever way of learning the deep graph structure and it is rapidly becoming the state-of-the-art leading to enhanced performance in various network neuroscience tasks. Here we review current GNN-based methods, highlighting the ways that they have been used in several applications related to brain graphs such as missing brain graph synthesis and disease classification. We conclude by charting a path toward a better application of GNN models in network neuroscience field for neurological disorder diagnosis and population graph integration. The list of papers cited in our work is available at https://github.com/basiralab/GNNs-in-Network-Neuroscience.

研究の動機と目的

• 複数の神経画像モダリティにわたる脳グラフモデリングにおける現在のGNNベースの手法を調査すること。
• 限られた入力データから高解像度、時間的、マルチモダリティな脳ネットワークを合成するグラフ生成モデルをレビューすることで、欠損またはスパースなコネクトミクスデータの課題に対処すること。
• GNNのネットワーク神経科学への応用における主なギャップを特定すること、特に少サンプル学習、モデルの解釈可能性、皮質表面データへのスケーラビリティの面で。
• 時間的軸、解像度軸、ドメイン軸を統合した統一されたフレームワークの提言を通じて、神経疾患の診断を向上させること。
• コネクトミクス分野におけるGNNのモデル選択、解釈可能性、および従来の機械学習手法との比較分析に関する今後の研究を刺激すること。

提案手法

• T1強調画像、拡散強調画像、安静状態fMRIデータから得られる脳グラフから、深層構造的表現を学ぶためにグラフニューラルネットワーク（GNN）を用いる。
• GCNやGANベースのフレームワークに、中心性、モジュラリティ、ハブ性といったグラフ特性を保持するためのトポロジー損失項を適用する。
• マルチモダリティ、マルチ解像度、時間的グラフ合成技術を用いて、限られた入力データから包括的な脳コネクトームを生成する。
• 一般化性能と構造的忠実度を向上させるために、グラフ理論指標（例：近接性、媒介性中心性）を損失関数に正則化として統合する。
• 既存のコネクトミクスデータセット（例：HCP、BCP、CRHD）と、FSL、FreeSurfer、CONNなどのツールを用いた前処理パイプラインをレビューする。
• 今後の方向性として、少サンプル学習、皮質表面メッシュへのGNNの応用、および診断性能の向上を目的としたハイブリッドグラフ-多様体学習を提言する。

実験結果

リサーチクエスチョン

• RQ1 GNNは、異なる神経画像モダリティ、時間的ポイント、空間的解像度にわたる脳グラフをどのように効果的にモデリング・合成できるか？
• RQ2 トポロジー損失関数（例：中心性に基づくもの）は、脳グラフ学習タスクにおけるGNN性能向上にどのような役割を果たすか？
• RQ3 限られたコネクトミクスデータを前提とした少サンプル学習設定において、GNNはどの程度一般化可能か？
• RQ4 脳グラフを用いた神経疾患の診断において、GNNは従来の機械学習手法と比べてどのように差をつけるか？
• RQ5 GNNは、皮質表面メッシュのような非グラフ的脳表現から効果的に学習できるか？

主な発見

• トポロジー制約（例：中心性測度）を組み込むことで、GNNベースのモデルは脳グラフ分類および合成タスクで最先端のパフォーマンスを達成している。
• トポロジー損失項を備えたGANベースのGNNフレームワークは、モジュラリティやハブ性といった重要なグラフ特性を保持する点で、標準的なGNNを上回っている。
• レビュー対象のGCNベースの研究の50％以上が、カスタム損失関数を備えたGANを用いており、コネクトミクスにおける欠損データ回復のための生成モデルへの傾向が顕著である。
• 臨床応用において限られた患者データが利用可能な状況を想定した少サンプル学習設定では、現在のGNNモデルが十分に活用されていない。
• 脳グラフ解析におけるGNNと他の機械学習手法の比較評価に関する研究が不足しており、これは重要な研究ギャップを示している。
• GNNを皮質表面メッシュに拡張することは原理的に可能であるが、特にCNNベースのメッシュ学習と比較してスケーラビリティと耐性の面でさらなる研究が求められる。