[論文レビュー] Graph Saliency Maps through Spectral Convolutional Networks: Application to Sex Classification with Brain Connectivity

Salim Arslan, Sofia Ira Ktena+2 more|arXiv (Cornell University)|Jun 5, 2018

Functional Brain Connectivity Studies参考文献 16被引用数 4

ひとこと要約

本論文は、ノードレベルのラベルなしで機能的結合ネットワーク内の顕著な脳領域を特定するために、スペクトル畳み込みとクラス活性マッピングを用いたグラフ畳み込みネットワーク（GCN）のための新しい視覚的帰属手法を提案する。イギリスバイオバンクのrs-fMRIデータ（n > 5,000）を用いた性別分類タスクに適用したところ、本手法はデフォルトモードネットワーク、特にノード21、5、13、7を性別予測に最も寄与する部位として一貫して強調し、実行回ごとおよび複数回の学習ランで高い再現性を示し、神経生物学的妥当性も高い。

ABSTRACT

Graph convolutional networks (GCNs) allow to apply traditional convolution operations in non-Euclidean domains, where data are commonly modelled as irregular graphs. Medical imaging and, in particular, neuroscience studies often rely on such graph representations, with brain connectivity networks being a characteristic example, while ultimately seeking the locus of phenotypic or disease-related differences in the brain. These regions of interest (ROIs) are, then, considered to be closely associated with function and/or behaviour. Driven by this, we explore GCNs for the task of ROI identification and propose a visual attribution method based on class activation mapping. By undertaking a sex classification task as proof of concept, we show that this method can be used to identify salient nodes (brain regions) without prior node labels. Based on experiments conducted on neuroimaging data of more than 5000 participants from UK Biobank, we demonstrate the robustness of the proposed method in highlighting reproducible regions across individuals. We further evaluate the neurobiological relevance of the identified regions based on evidence from large-scale UK Biobank studies.

研究の動機と目的

• ノードレベルの監視なしに、分類に寄与する重要な脳領域を特定できるグラフ構造データのための視覚的帰属手法を開発すること。
• 本手法が、被験者および学習ランの間で一貫性があり、再現可能な脳領域を同定できるかを実証すること。
• 大規模なイギリスバイオバンクのコネクトームデータと既存の性差関連研究を用いて、同定された領域の神経生物学的妥当性を検証すること。
• ユークリッド空間の画像から非ユークリッド空間のグラフデータ、特に機能的脳ネットワークにまでクラス活性マッピングを拡張すること。
• 神経科学分野におけるグラフ中心のディープラーニングタスクにおけるROI同定のための汎用的フレームワークを提供すること。

提案手法

• 本手法は、安静状態fMRIデータから抽出された機能的結合グラフを処理するためのスペクトル畳み込みネットワーク（GCN）を採用する。
• 分類タスクの最終畳み込み層の特徴マップに対してクラス活性マッピング（CAM）を適用し、個々のノード（脳領域）の重要度を帰属づける。
• ノードの重要度は、特徴マップの重み付き活性化に基づいて計算され、重みが大きいほど分類意思決定への寄与度が高くなる。
• 本手法は、各グラフが被験者の機能的結合ネットワークを表す二値性別分類タスクに適用される。
• 一貫性と再現性を評価するために、被験者間および複数回の学習ランでの重要度スコアを平均化する。
• 神経生物学的妥当性は、顕著なノードを安静状態ネットワーク（RSN）にマッピングし、イギリスバイオバンクのグループ平均コネクトームと比較することで評価する。

実験結果

リサーチクエスチョン

• RQ1 クラス活性マッピングは、機能的脳ネットワーク内の顕著なノードを同定するために、グラフ構造データに効果的に適応可能か？
• RQ2 本手法が同定する顕著な脳領域は、異なる被験者および学習ランの間で一貫しているか？
• RQ3 同定された顕著なノードは、デフォルトモードネットワークのような生物学的に意味のある脳ネットワークに対応しているか？
• RQ4 本手法は、学習初期化やハイパーパrameterの変動に対して頑健か？
• RQ5 ノードのラベルなしで、既知の機能的結合における性差を同定できるか？

主な発見

• 本手法は、すべての被験者および複数回の学習ランにおいて、同一の4つの脳領域（ノード21、5、13、7）を最も顕著な領域として一貫して同定し、90％以上のランで上位3位以内にランク付けされた。
• これらの領域は、内省的認知や自己関連処理に関連する知られている機能的ネットワーク、すなわちデフォルトモードネットワークに属する。
• 女性においてデフォルトモードネットワークの機能的結合が強く、既存のイギリスバイオバンクの報告と一致し、同定された領域の神経生物学的妥当性を裏付けている。
• 異なるランダムシードおよび交差検証のfoldに対して、重要度マップが非常に高い再現性を示しており、学習のばらつきに対して頑健であることが示された。
• 本手法は、機能的結合グラフを用いた性別分類において、最先端の精度を達成しており、その予測力の有効性が裏付けられた。
• ノードレベルのラベルを一切必要とせず、生物学的に意味のあるROIを同定できたため、コネクトミクス分野における教師なしROI発見の有効性が示された。