[論文レビュー] Multi-View Multi-Graph Embedding for Brain Network Clustering Analysis

Ye Liu, Lifang He+4 more|arXiv (Cornell University)|Jun 19, 2018

Functional Brain Connectivity Studies被引用数 8

ひとこと要約

本稿では、部分的対称テンソルとして多重ビュー（fMRI および DTI）脳ネットワークを統合的にモデル化することで構造的・トポロジカルな情報を保持する、テンソルベースのフレームワークであるマルチビュー・マルチグラフ埋め込み（M2E）を提案する。テンソル分解とビュー間のコンSENSUS正則化を活用することで、HIVおよび双極性障害データセットにおいて、単一ビューおよびベクトルベースの多重ビュー手法を上回る優れたクラスタリング性能を達成し、生物学的に意味のある埋め込みパターンを明らかにした。

ABSTRACT

Network analysis of human brain connectivity is critically important for understanding brain function and disease states. Embedding a brain network as a whole graph instance into a meaningful low-dimensional representation can be used to investigate disease mechanisms and inform therapeutic interventions. Moreover, by exploiting information from multiple neuroimaging modalities or views, we are able to obtain an embedding that is more useful than the embedding learned from an individual view. Therefore, multi-view multi-graph embedding becomes a crucial task. Currently, only a few studies have been devoted to this topic, and most of them focus on the vector-based strategy which will cause structural information contained in the original graphs lost. As a novel attempt to tackle this problem, we propose Multi-view Multi-graph Embedding (M2E) by stacking multi-graphs into multiple partially-symmetric tensors and using tensor techniques to simultaneously leverage the dependencies and correlations among multi-view and multi-graph brain networks. Extensive experiments on real HIV and bipolar disorder brain network datasets demonstrate the superior performance of M2E on clustering brain networks by leveraging the multi-view multi-graph interactions.

研究の動機と目的

• 既存の手法がベクトル化によってトポロジカル情報を損なう問題に対処し、多重ビュー脳ネットワーク解析における複雑なグラフ構造を保持すること。
• fMRIおよびDTIといった複数の神経画像モodalitiesからの補完的情報を統合し、クラスタリング性能を向上させること。
• 複数のグラフと複数のビューの両方の依存関係を同時にモデル化する統一フレームワークを構築すること。
• 異なる脳ネットワークビュー間で共有される潜在的クラスタリング構造を捉えるコンセンサス埋め込みを学習すること。

提案手法

• M2Eは、多重ビュー・マルチグラフ脳ネットワークを複数の部分的対称テンソルとしてモデル化し、元のグラフ構造を保持する。
• スタックされたマルチグラフテンソルを低次元の潜在的要因（ノードおよびグラフ用）に分解するためにテンソル分解を採用する。
• 係数行列のビュー間整合性を促進するため、コンセンサス正則化項を導入する。
• 脳ネットワークの対称性を尊重し、効果的な交互最小自乗法戦略を用いた最適化フレームワークを採用する。
• ノードレベルの埋め込み（H^(v)）とグラフレベルの埋め込み（F^(v)）をビュー全体で同時に学習し、F^(v) を共通のコンセンサス F* に一致させる。
• 再構成誤差と正則化のバランスを取る目的関数を採用し、ハイパーパrameter λ₁、λ₂、および R がそれぞれビュー固有の重みと埋め込み次元を制御する。

実験結果

リサーチクエスチョン

• RQ1 テンソルベースの多重ビュー・マルチグラフ埋め込みは、ベクトルベースの手法で失われる構造的情報を保持できるか？
• RQ2 fMRI および DTI データを統合することで、単一ビュー手法と比較して脳ネットワークのクラスタリング性能がどのように向上するか？
• RQ3 埋め込み次元 R およびビュー固有の正則化重み λ₁ と λ₂ がクラスタリング精度に与える影響は何か？
• RQ4 学習されたコンセンサスグラフ埋め込みは、脳ネットワーク組織における生物学的に意味のあるパターンを明らかにできるか？
• RQ5 得られたノードおよびグラフ埋め込みは、HIVおよび双極性障害患者の臨床的表現型と相関するか？

主な発見

• M2Eは、HIVデータセットでは R=7、双極性障害データセットでは R=12 の最適設定で、両データセットにおいて最高のクラスタリング精度を達成した。
• ベースラインの単一ビューおよびベクトルベースの多重ビュー埋め込み手法を著しく上回り、グラフ構造の保持が有効であることを示した。
• パラメータ感度分析から、性能は λ₁ および λ₂ に敏感であり、最適な値が各ビューの寄与をバランスさせることがわかった。
• H^(v) の可視化から、fMRI と DTI でそれぞれ明確な神経解剖学的パターンが確認され、モダリティ固有の機能的・構造的サインチャが裏付けられた。
• F^(v) 要因の分析から、対照群では埋め込み特徴と正の相関が、患者群では負の相関が観察された。これは認知機能障害の臨床的観察と整合的であった。
• fMRI および DTI 埋め込みで特定された脳領域は、特に前頭前野および頭頂小葉に顕著な神経認知障害と一致しており、既知の知見と整合的であった。