[論文レビュー] Learning Multi-resolution Graph Edge Embedding for Discovering Brain Network Dysfunction in Neurological Disorders

Xin Ma, Guo‐Rong Wu+2 more|arXiv (Cornell University)|Dec 3, 2019

Functional Brain Connectivity Studies参考文献 47被引用数 6

ひとこと要約

本論文は、脳機能接続マトリクスに適応的ウェーブレット様グラフ変換を適用することで、疾患関連のエッジ埋め込みを学習するマルチスケールグラフニューラルネットワーク（MGNN）を提案する。この手法は、機能的および構造的脳ネットワークにおける臨床的に解釈可能な高識別力の接続を特定することで、ADHDおよびアルツハイマー病の亜型分類において最先端の性能を達成する。

ABSTRACT

Tremendous recent literature show that associations between different brain regions, i.e., brain connectivity, provide early symptoms of neurological disorders. Despite significant efforts made for graph neural network (GNN) techniques, their focus on graph nodes makes the state-of-the-art GNN methods not suitable for classifying brain connectivity as graphs where the objective is to characterize disease-relevant network dysfunction patterns on graph links. To address this issue, we propose Multi-resolution Edge Network (MENET) to detect disease-specific connectomic benchmarks with high discrimination power across diagnostic categories. The core of MENET is a novel graph edge-wise transform that we propose, which allows us to capture multi-resolution ``connectomic'' features. Using a rich set of the connectomic features, we devise a graph learning framework to jointly select discriminative edges and assign diagnostic labels for graphs. Experiments on two real datasets show that MENET accurately predicts diagnostic labels and identify brain connectivities highly associated with neurological disorders such as Alzheimer's Disease and Attention-Deficit/Hyperactivity Disorder.

研究の動機と目的

• 神経疾患における不規則で非ユークリッド構造を示す脳ネットワークの分類という課題に対処すること。
• 複数スケールにわたる疾患特異的結合変動を捉えるデータ駆動型で適応的なフレームワークを構築すること。
• 診断分類の精度を向上させるとともに、重要な脳結合の空間的解釈可能性を維持すること。
• 小規模な神経画像データセットにおいて適応性や解釈可能性に欠ける従来のグラフ手法やディープラーニングモデルの限界を克服すること。

提案手法

• ハーモニック解析に基づくグラフ上のウェーブレット様グラフ変換を用いて、グラフ隣接行列のマルチスケール表現を提案する。
• パラメトリックカーネル関数を用いてバンドパスフィルタを生成し、複数スケールでの特徴を適応的に抽出する。
• 診断分類を最適化するために、マルチスケールグラフ特徴からエッジレベルの埋め込みを学習する教師ありCNNフレームワークを採用する。
• 診断群間で高い識別力を持つ結合パターンを強調するように、適応的グラフ変換を用いて特徴マップを導出する。
• グラフレベルのラベルに対して交差エントロピー損失を用い、L1正則化を適用することでスパースで解釈可能なエッジ重みを促進しながら、モデルをエンドツーエンドで訓練する。
• 上位重み付きエッジを臨床的に関連する接続として可視化し、モデル出力を既知の神経解剖学的発見と結びつける。

実験結果

リサーチクエスチョン

• RQ1 マルチスケールグラフ表現は、神経疾患における脳ネットワークデータの分類精度を向上させることができるか？
• RQ2 ADHDおよびアルツハイマー病亜型を区別するために、どの脳結合パターンが最も識別力が高いのか？
• RQ3 適応的グラフ変換は、固定またはグラフに依存しない手法と比較して、特徴学習をどのように向上させるか？
• RQ4 モデルは、脳ネットワーク dysfunctions に関する既存の文献と一致する臨床的に関連する接続をどの程度特定できるか？
• RQ5 マルチスケールアプローチは、神経画像研究で一般的な小規模サンプルサイズへの感受性をどの程度低減できるか？

主な発見

• ADNIデータセットにおいて、MGNNは前臨床的対比プロドローマルアルツハイマー病の分類で77.4％の正確性、77.2％の加重精度、77.4％の加重再現率を達成し、すべてのベースラインを上回った。
• ADHD-200データセットでは、従来の手法と比較してMGNNが顕著に分類性能を向上させ、ADHD文献と整合する10の主要な接続（小脳および前頭葉領域を含む）を同定した。
• 構造的結合解析において、モデルは4つの最適スケールに収束した。これは、高識別力を持つために少数のスケールで十分であることを示している。
• AD分類における上位10エッジ重みは、時間側頭回（例：下側側頭回、横溝）および側頭裂を含む接続を強調しており、これらはアルツハイマー病病理において広く報告されている。
• ADHDでは17のROIs、ADでは18のROIsが、高重み接続に一貫して関与しており、既知の神経解剖学的相関と強い一致を示した。
• L1正則化によりスパースなエッジ重みが得られ、最も臨床的に関連する接続の明確な可視化が可能になり、性能を損なわず解釈性が向上した。