[논문 리뷰] Comparison of Brain Networks with Unknown Correspondences

Sofia Ira Ktena, Sarah Parisot외 2명|arXiv (Cornell University)|2016. 11. 15.

Functional Brain Connectivity Studies인용 수 3

한 줄 요약

이 논문은 사전에 정의된 노드 대응 관계가 필요 없이 뇌 네트워크를 비교하기 위한 그래프 편집 거리(GED) 기반 방법을 제안하며, 공간 제약 조건과 국소 네트워크 특징을 통합하여 유사도 평가를 향상시킨다. 30명의 무관한 피실험자와 40쌍의 일란성 쌍둥이를 대상으로 평가한 결과, 이 방법은 일란성 쌍둥이 네트워크의 유사도가 무관한 쌍둥이 쌍보다 높음을 성공적으로 구분하였으며, α=0.5 및 nn=7개 이웃에서 최적 성능을 보였다.

ABSTRACT

Graph theory has drawn a lot of attention in the field of Neuroscience during the last decade, mainly due to the abundance of tools that it provides to explore the interactions of elements in a complex network like the brain. The local and global organization of a brain network can shed light on mechanisms of complex cognitive functions, while disruptions within the network can be linked to neurodevelopmental disorders. In this effort, the construction of a representative brain network for each individual is critical for further analysis. Additionally, graph comparison is an essential step for inference and classification analyses on brain graphs. In this work we explore a method based on graph edit distance for evaluating graph similarity, when correspondences between network elements are unknown due to different underlying subdivisions of the brain. We test this method on 30 unrelated subjects as well as 40 twin pairs and show that this method can accurately reflect the higher similarity between two related networks compared to unrelated ones, while identifying node correspondences.

연구 동기 및 목표

• 개별화된 파라셀레이션으로 인해 노드 대응 관계가 알려지지 않은 상황에서 뇌 네트워크를 비교하는 데 도전하는 것.
• 뇌 그래프의 구조적 및 의미적 정보를 유지하는 유사도 측정 방법을 개발하는 것.
• 다양한 해부학적 및 기능적 분할을 가진 개인 간에 뇌 네트워크를 정확히 비교할 수 있도록 하는 것.
• 그래프 거리 측정 기반으로 생물학적 유사성(예: 일란성 쌍둥이 간의 관계)을 탐지할 수 있는지 평가하는 것.

제안 방법

• 이 방법은 공간적 근접성과 국소 연결 패턴(노드 '서명')을 고려한 맞춤형 그래프 편집 거리(GED)를 사용하여 뇌 그래프 간의 유사도를 계산한다.
• 노드 대체 비용은 공간 거리(α)와 간선 특징 유사도(g(·))의 가중 조합으로 계산되며, 식(4)에 정의되어 있다.
• 편집 연산에 공간 제약 조건을 적용하여 계산 복잡도를 낮추면서도 생물학적으로 의미 있는 대응 관계를 유지한다.
• 다중 척도 이웃 접근 방식을 통해 각 노드의 대체 과정에서 최대 nn개의 이웃을 고려함으로써 해부학적 변동성에 대한 강건성을 향상시킨다.
• 개별화된 파라셀레이션(50개 영역)을 사용하여 dMRI 및 fMRI 데이터에서 유도된 구조적 및 기능적 네트워크에 적용된다.
• 효율적인 GED 계산 파이프라인을 구현하였으며, 교차 검증을 통해 관련 네트워크와 무관한 네트워크 간의 분리도를 극대화할 수 있도록 파rameter를 조정하였다.

실험 결과

연구 질문

• RQ1 개별화된 파라셀레이션으로 인해 노드 대응 관계가 알려지지 않은 상황에서 그래프 편집 거리가 뇌 네트워크를 효과적으로 비교할 수 있는가?
• RQ2 제안된 GED 방법은 일란성 쌍둥이 네트워크와 무관한 피실험자 쌍 간의 유사도를 얼마나 잘 구분하는가?
• RQ3 뇌 네트워크 비교에 있어 GED 비용 함수에서 공간적 근접성과 국소 연결 특징 간의 최적 균형은 무엇인가?
• RQ4 그래프 유사도를 계산하는 동안 의미 있는 노드 대응 관계를 유지하는가?
• RQ5 GED 기반의 유사도 측정 방법은 뇌 네트워크 구조에서 유전적 관련성과 같은 생물학적 관련 관계를 탐지할 수 있는가?

주요 결과

• 구조적 네트워크에서 이식자 간 및 이식자 간 그래프 거리 간의 유의미한 분리가 이루어졌으며, α = 0.5 및 nn = 7일 때 p < 0.001이었다.
• 일란성 쌍둥이 쌍은 무관한 쌍둥이 쌍보다 구조적 네트워크에서 유의미하게 낮은 GED 값을 보였으며(p < 0.001), 이는 방법이 유전적 유사성을 탐지할 수 있음을 확인한다.
• 기능적 네트워크의 경우 최적의 분리는 α = 0.2에서 달성되었으며, 이는 국소 연결 특징이 기능적 그래프의 유사도 평가에서 지배적임을 시사한다.
• 이 방법은 성공적으로 노드 대응 관계를 식별하였으며, 일란성 쌍둥이 간의 노드 편집 거리가 무관한 피실험자 쌍보다 작았으며, 그림 5에 시각화되어 있다.
• 이웃 수(nn)를 7 이상으로 늘여도 GED에 미치는 영향이 미미하여 국소 특징의 정보량이 포화 상태에 도달했음을 시사한다.
• 최적의 파rameter 조합(α = 0.5, nn = 7)은 구조적 및 기능적 데이터 모두에서 관련 네트워크와 무관한 네트워크 간의 최고의 분류 성능을 제공하였다.