[論文レビュー] Topological Distances between Networks and Its Application to Brain Imaging

Hyekyoung Lee, Zhiwei Ma+2 more|arXiv (Cornell University)|Jan 16, 2017

Topological and Geometric Data Analysis参考文献 51被引用数 4

ひとこと要約

本稿では、閾値化を伴わずに脳ネットワークの違いを定量化するため、恒常ホモロジーに基づくトポロジカルネットワーク距離測度（ボトルネック、カーネル、グロモフ＝ハウスドルフ、およびKS検定に類似した距離）を導入する。これらの手法は、従来のグラフ指標よりも、臨床的集団における脳ネットワークの微細なトポロジカル変化をより強固に検出できることが示された。

ABSTRACT

This paper surveys various distance measures for networks and graphs that were introduced in persistent homology. The scope of the paper is limited to network distances that were actually used in brain networks but the methods can be easily adapted to any weighted graph in other fields. The network version of Gromov-Hausdorff, bottleneck, kernel distances are introduced. We also introduce a recently developed KS-test like distance based on monotonic topology features such as the zeroth Betti number. Numerous toy examples and the result of applying many different distances to the brain networks of different clinical status and populations are given.

研究の動機と目的

• 恒常ホモロジーを用いて、閾値に依存しない、トポロジカルに強固な脳ネットワーク距離測度の開発。
• 従来のグラフ理論的特徴および閾値依存的なバイナリ化の限界を克服すること。
• ゼロ番目のベッチ数などの非パラメトリックで単調なトポロジカル特徴を用いて、ネットワークトポロジの統計的推論を可能にすること。
• 実際の脳ネットワークデータ上で、複数のトポロジカル距離（ボトルネック、カーネル、グロモフ＝ハウスドルフ、KSに類似した距離）の性能を比較すること。
• パーミュテーションベースの推論に対する、スケーラブルで計算的に実行可能な代替手法を提供すること。

提案手法

• すべての可能な閾値に対して、ネストされた重み付き部分グラフの系列を生成するためのグラフフィルトレーションを用いる。これにより、任意のバイナリ化を回避する。
• 恒常ホモロジーを適用して、スケールにわたるトポロジカル特徴（例えば、連結成分、サイクル）を追跡し、それを恒常図として表現する。
• ボトルネック距離を用いて、一致する点間の最大距離を最小化することで、恒常図同士を比較する。
• ヒルバート空間演算と統計的推論を可能にするために、恒常図上での熱拡散を用いたカーネル距離を用いる。
• 画像登録から得られるノード対応関係を用いて、グロモフ＝ハウスドルフ距離を脳ネットワークに適応させ、単一連結行列の比較に還元する。
• 単調なトポロジカル特徴（例：ゼロ番目のベッチ数）に基づくKS検定に類似した距離を導入し、非パラメトリックで分布に依存しない推論を可能にする。

実験結果

リサーチクエスチョン

• RQ1 恒常ホモロジーに基づくトポロジカル距離は、閾値化を伴わず、臨床的集団間の脳ネットワークの有意義な違いを検出できるか？
• RQ2 ボトルネック、カーネル、グロモフ＝ハウスドルフ、KSに類似した距離といった、異なるトポロジカル距離は、ノイズやネットワーク構造に対して感度と耐性においてどのように比較されるか？
• RQ3 ゼロ番目のベッチ数のような単調なトポロジカル特徴は、ネットワーク差の非パラメトリック統計的推論を可能にするか？
• RQ4 従来のグラフ指標は、恒常ホモロジーと比較して、サイクルや連結成分といったトポロジカル特徴をどの程度捕捉できていないか？
• RQ5 提案されたKS検定に類似した距離は、統計的妥当性を維持しつつ、パーミュテーションベースの推論よりも計算的に効率的か？

主な発見

• 単調なトポロジカル特徴に基づくKS検定に類似した距離は、母集団分布の仮定を必要とせず、正確な非パラメトリック推論を可能にする。
• p値推定に最大100回の反復で十分であり、数十万回のパーミュテーションを要する従来の手法に比べて著しく優れている。
• 恒常ホモロジーに基づく距離測度は、標準的なグラフ指標よりも、特にサイクルや連結成分の検出において、トポロジカル差をより強固に検出できる。
• ノード対応関係を用いたグロモフ＝ハウスドルフ距離は、構造的差を効果的に捉えるが、単一連結行列が同一のネットワーク（例：サイクルを含むもの）では区別できない。
• 恒常図上での熱拡散に基づくカーネル距離は、SVM や PCA などのヒルバート空間ツールを用いた後続の統計的分析を可能にする。
• グラフフィルトレーションにより、すべての可能な閾値を同時に分析することで、閾値選択の循環的ジレンマを回避する。