[論文レビュー] Understanding Graph Isomorphism Network for rs-fMRI Functional Connectivity Analysis

Byung-Hoon Kim, Jong Chul Ye|arXiv (Cornell University)|Jan 10, 2020

Functional Brain Connectivity Studies参考文献 56被引用数 6

ひとこと要約

本稿では、1ホットノード符号化を用いてGrad-CAMを適用することで、resting-state fMRIにおける説明可能な機能的結合解析のためのグラフ同型性ネットワーク（GIN）ベースのフレームワークを提案する。この手法は神経科学的に解釈可能な脳領域を可視化し、既知の性別差に一致する分類性能とサリエンシー地図を示す。

ABSTRACT

Graph neural networks (GNN) rely on graph operations that include neural network training for various graph related tasks. Recently, several attempts have been made to apply the GNNs to functional magnetic resonance image (fMRI) data. Despite recent progresses, a common limitation is its difficulty to explain the classification results in a neuroscientifically explainable way. Here, we develop a framework for analyzing the fMRI data using the Graph Isomorphism Network (GIN), which was recently proposed as a powerful GNN for graph classification. One of the important contributions of this paper is the observation that the GIN is a dual representation of convolutional neural network (CNN) in the graph space where the shift operation is defined using the adjacency matrix. This understanding enables us to exploit CNN-based saliency map techniques for the GNN, which we tailor to the proposed GIN with one-hot encoding, to visualize the important regions of the brain. We validate our proposed framework using large-scale resting-state fMRI (rs-fMRI) data for classifying the sex of the subject based on the graph structure of the brain. The experiment was consistent with our expectation such that the obtained saliency map show high correspondence with previous neuroimaging evidences related to sex differences.

研究の動機と目的

• fMRIデータに適用されたグラフニューラルネットワーク（GNN）における神経科学的解釈可能性の欠如に対処すること。
• CNNベースのGrad-CAM技術をグラフ空間に適応させることで、GNNにおけるサリエンシー地図の生成を可能にすること。
• グラフ構造の脳ネットワークを用いた大規模なrs-fMRIデータを対象に、性別分類のためのフレームワークを検証すること。
• 脳領域（ROIs）の1ホット符号化が、モデルの識別力とサリエンシー地図の解釈可能性を向上させることを示すこと。
• 隣接行列を一般化されたシフト演算子として用いることで、GINをCNNのグラフ空間における二重表現として提示すること。

提案手法

• 隣接行列を一般化されたシフト演算子として用いることで、GINをCNNのグラフ空間における二重表現として形式化する。
• 入力層に1ホット符号化されたノード特徴量を適用することで、GNNに勾配重み付きクラス活性化マッピング（Grad-CAM）を適応させる。
• 脳領域（ROIs）の1ホット符号化を用いることで、入力ノード特徴量の線形独立性を保証し、識別力の損失を防ぐ。
• 機能的結合をROIsの時系列間のピアソン相関で計算することにより、GINモデルをrs-fMRIデータに適用する。
• 単射的集約、結合、読み出し関数を用いたGINアーキテクチャにより、被験者の性別のグラフ分類を実行する。
• GINモデルを逆伝播することで勾配を計算し、分類に寄与する重要なROIsを特定することで、サリエンシー地図を可視化する。

実験結果

リサーチクエスチョン

• RQ1 GINは、隣接行列が一般化されたシフト演算子として機能するグラフ空間において、CNNの二重表現として解釈可能であり、CNNベースの解釈ツール（例：Grad-CAM）の適応が可能か？
• RQ2 脳ROIsの1ホット符号化は、fMRI分類におけるGINの識別力と解釈可能性を向上させるか？
• RQ3 GINにおけるGrad-CAMで生成されたサリエンシー地図は、rs-fMRIにおける性別差に関連する神経科学的に意味のある脳領域を明らかにできるか？
• RQ4 分類精度と解釈可能性の観点から、本稿で提案するGINベースのフレームワークは、先行するGNN手法と比較して優れているか？
• RQ5 大規模なrs-fMRIデータセットに適用した場合、GINモデルの性能と解釈可能性は頑健であるか？

主な発見

• GINモデルは、rs-fMRIグラフデータを用いた被験者の性別を区別する分類性能において優れた結果を達成した。
• 1ホット符号化を用いたGrad-CAMで生成されたサリエンシー地図は、性別差に関する既存の神経画像研究と整合する脳領域を強調した。
• 1ホット符号化によりノード特徴量の線形独立性が保証され、モデルの識別力が維持され、信頼性の高いサリエンシー可視化が可能になった。
• 理論的枠組みにより、GINが隣接行列を一般化されたシフト演算子として用いることで、グラフ空間におけるCNNの二重表現として機能することが示された。
• サリエンシー地図は入力層で計算した際に最も情報が多く、GNNにおける特徴レベルの帰属割り当ての重要性を裏付けた。
• 本手法は、GNNと説明可能なAIを神経画像処理分野で結びつけることに成功し、グラフベースのfMRIモデルを解釈する実用的ツールを提供した。