[論文レビュー] Learning Task-Aware Effective Brain Connectivity for fMRI Analysis with Graph Neural Networks

Yue Yu, Xuan Kan+10 more|arXiv (Cornell University)|Nov 1, 2022

Functional Brain Connectivity Studies被引用数 5

ひとこと要約

本稿では、勾配ベース最適化を用いた有向無閉路グラフ（DAG）構造学習により、fMRIデータからタスクに適応した有効な脳結合を学習するエンドツーエンドフレームワーク、TBDSを提案する。タスク固有の監視を交差エントロピー損失および対照的損失を介して統合することで、スパースで解釈可能な脳ネットワークを生成し、下流の予測性能を向上させるとともに生物学的に関連する領域を強調する。ABCDSおよびPNCデータセットにおいて、ベースライン手法を上回る性能を発揮する。

ABSTRACT

Functional magnetic resonance imaging (fMRI) has become one of the most common imaging modalities for brain function analysis. Recently, graph neural networks (GNN) have been adopted for fMRI analysis with superior performance. Unfortunately, traditional functional brain networks are mainly constructed based on similarities among region of interests (ROI), which are noisy and agnostic to the downstream prediction tasks and can lead to inferior results for GNN-based models. To better adapt GNNs for fMRI analysis, we propose TBDS, an end-to-end framework based on \underline{T}ask-aware \underline{B}rain connectivity \underline{D}AG (short for Directed Acyclic Graph) \underline{S}tructure generation for fMRI analysis. The key component of TBDS is the brain network generator which adopts a DAG learning approach to transform the raw time-series into task-aware brain connectivities. Besides, we design an additional contrastive regularization to inject task-specific knowledge during the brain network generation process. Comprehensive experiments on two fMRI datasets, namely Adolescent Brain Cognitive Development (ABCD) and Philadelphia Neuroimaging Cohort (PNC) datasets demonstrate the efficacy of TBDS. In addition, the generated brain networks also highlight the prediction-related brain regions and thus provide unique interpretations of the prediction results. Our implementation will be published to https://github.com/yueyu1030/TBDS upon acceptance.

研究の動機と目的

• 従来のfMRI脳ネットワーク構築法の限界、すなわち相関に基づく、密な、タスクに依存しない結合パターンに起因する問題を解決すること。
• fMRI時系列データから有効（因果的類似）脳結合を生成するスケーラブルでエンドツーエンドのフレームワークを構築すること。
• 臨床的予測性能の向上を図るために、脳ネットワーク生成段階にタスク固有の知識を統合すること。
• 予測タスクに関連する生物学的に意味のある結合を強調するスパースで解釈可能な脳ネットワークを生成すること。
• 数百のROIを有する大規模fMRIデータセットに適した、効率的でGPUアクセラレーション対応の脳ネットワーク生成を可能にすること。

提案手法

• TBDSは、微分可能DAG学習アプローチを用いて、生のfMRI時系列データをタスクに適応した脳結合グラフに変換する。
• 脳ネットワーク生成器は、巡回性制約の連続的リラクゼーションを構造的正則化により実現し、勾配ベース最適化を可能にする。
• ノード表現をタスク固有の予測目的と一致させるために、対照的正則化損失を導入する。
• ターゲット分類器の勾配に対して不確実性に配慮した再重み付け戦略を適用し、ノイズの多いラベルへの過学習を低減する。
• 脳ネットワーク生成と下流予測が共同最適化されるエンドツーエンド学習を統合する。
• 負のエッジ重みは、構造的・予測的整合性を保つために学習可能な変換を経由して処理される。

実験結果

リサーチクエスチョン

• RQ1 微分可能DAG学習フレームワークは、fMRI時系列データからスパースでタスクに適応した脳結合を効果的に生成できるか？
• RQ2 脳ネットワーク生成段階でタスク固有の知識を統合すると、下流の予測性能にどのような影響を与えるか？
• RQ3 生成された脳ネットワークは生物学的に関連する領域を強調でき、予測意思決定における解釈可能なインサイトを提供できるか？
• RQ4 性能とスパarsityの観点から、TBDSは相関ベースおよび学習可能なベースライン手法と比較してどう異なるか？
• RQ5 各コンポONENT（例：対照的損失、不確実性再重み付け）が全体のモデル効果性に果たす寄与度は何か？

主な発見

• エンドツーエンドでない学習と比較して、TBDSは平均2.2%の性能向上を達成し、共同最適化の利点を示している。
• 交差エントロピー損失または対照的損失を除去すると性能が低下し、これらが予測および表現知識を捉える役割を果たしていることが確認された。
• 不確実性に配慮した再重み付け戦略により、モデルのロバスト性が向上し、過学習が低減され、より良い一般化性能が得られた。
• TBDSはピアソン相関やFBNetGenと比較して、はるかにスパースな脳ネットワークを生成し、多数のエッジ重みがほぼゼロに近づくことで、下流の計算コストを削減した。
• 可視化結果から、TBDSはデフォルトモードネットワーク、聴覚および視覚領域における性別判別に寄与する結合を強調しており、先行神経科学的知見と整合的である。
• ABCDSおよびPNCデータセットの両方で、最先端の性能を達成し、タスク固有の結合パターンにより強力な解釈可能性を提供した。