[논문 리뷰] Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling Model

Haoteng Tang, Guixiang Ma외 4명|arXiv (Cornell University)|2022. 07. 14.

Functional Brain Connectivity Studies인용 수 4

한 줄 요약

이 논문은 뇌 기능 네트워크 표현 학습을 위한 새로운 계층적 부호付き 그래프 풀링 모델을 제안하며, 대조 학습과 데이터 증강을 통합하여 임상 예측 과제에서 성능을 향상시킨다. 이 방법은 HCP 및 OASIS 데이터셋에서 분류 및 회귀 과제에서 최신 기술 수준의 성능을 달성하면서도 그래프 시냅스 지도를 통해 해석 가능한 생물학적 지표 탐색을 가능하게 한다.

ABSTRACT

Recently brain networks have been widely adopted to study brain dynamics, brain development and brain diseases. Graph representation learning techniques on brain functional networks can facilitate the discovery of novel biomarkers for clinical phenotypes and neurodegenerative diseases. However, current graph learning techniques have several issues on brain network mining. Firstly, most current graph learning models are designed for unsigned graph, which hinders the analysis of many signed network data (e.g., brain functional networks). Meanwhile, the insufficiency of brain network data limits the model performance on clinical phenotypes predictions. Moreover, few of current graph learning model is interpretable, which may not be capable to provide biological insights for model outcomes. Here, we propose an interpretable hierarchical signed graph representation learning model to extract graph-level representations from brain functional networks, which can be used for different prediction tasks. In order to further improve the model performance, we also propose a new strategy to augment functional brain network data for contrastive learning. We evaluate this framework on different classification and regression tasks using the data from HCP and OASIS. Our results from extensive experiments demonstrate the superiority of the proposed model compared to several state-of-the-art techniques. Additionally, we use graph saliency maps, derived from these prediction tasks, to demonstrate detection and interpretation of phenotypic biomarkers.

연구 동기 및 목표

• fMRI 데이터에서 흔한 부호화된 뇌 기능 네트워크를 다루는 데에 한계가 있는 기존 그래프 신경망의 문제점을 해결한다.
• 뇌 네트워크 데이터의 부족함을 극복하기 위해 대조 학습을 위한 새로운 데이터 증강 전략을 제안한다.
• 주의 메커니즘을 통한 시냅스 지도를 활용해 예측된 형질에 대한 생물학적 통찰을 가능하게 하기 위해 모델의 해석 가능성을 향상시킨다.
• 다양한 척도의 뇌 네트워크 구조를 보다 잘 포착하기 위해 다단계 그래프 계층에서의 노드 특징 집계를 통해 저차원 표현을 학습하는 계층적 그래프 풀링 기반 구조를 개발한다.

제안 방법

• 다중 수준의 그래프 계층에서의 노드 특징 집계를 통해 뇌 기능 네트워크의 저차원 표현을 학습하는 계층적 부호화된 그래프 풀링 프레임워크를 제안한다.
• 균형 이론에 기반한 부호화된 그래프 컬러리션 네트워크를 도입하여 뇌 영역 간의 양성 및 음성 기능 연결을 모델링한다.
• 표본 증강을 통한 양의 쌍을 생성함으로써 일반화 능력과 표현 품질을 향상시키기 위해 대조 학습 목표를 설계한다.
• 엣지 변형과 노드 특징 마스킹을 통해 데이터 증강을 적용하여 대조 미리학습을 위한 양의 쌍을 생성한다.
• 주의 메커니즘에서 유도된 그래프 시냅스 지도를 활용해 임상 형질과 연관된 핵심 뇌 영역을 강조한다.
• 글로벌 리더아웃과 계층적 풀링을 통합하여 분류 및 회귀 과제에 적합한 그래프 수준의 표현을 생성한다.

Figure 1: Diagram of the proposed contrastive graph learning framework (in the bottom black box) with hierarchical signed graph representation learning model (in the top black box) for functional brain network embedding and downstream tasks (i.e., phenotype classification or regression).

실험 결과

연구 질문

• RQ1 계층적 부호화된 그래프 풀링 모델은 기존의 무부호 그래프 학습 방법보다 뇌 네트워크 표현 학습에서 임상 예측 과제에서 더 우수한 성능을 보일 수 있는가?
• RQ2 제한된 뇌 네트워크 데이터에서, 제안된 대조 학습 전략과 데이터 증강 전략이 모델 성능 향상에 얼마나 효과적인가?
• RQ3 모델의 예측 결과가 시냅스 지도를 통해 얼마나 잘 해석될 수 있는가? 특정 형질과 관련된 생물학적으로 타당한 뇌 영역을 식별할 수 있는가?
• RQ4 부호화된 그래프 학습에 균형 이론을 통합함으로써 기능적 뇌 연결 패턴을 더 잘 모델링할 수 있는가?

주요 결과

• 제안된 모델은 HCP 및 OASIS 데이터셋을 사용한 분류 및 회귀 과제에서 최신 기술 수준의 성능을 달성하며, 기존의 최신 기술 수준 모델들을 초월한다.
• 데이터 증강을 통한 대조 학습은 특히 신경영상에서 흔한 낮은 데이터 환경에서 모델의 일반화 능력을 크게 향상시킨다.
• 그래프 시냅스 지도는 MMSE, 플랭커, 공격적 행동과 같은 임상 형질과 관련된 생물학적으로 타당한 뇌 영역을 성공적으로 식별한다.
• 모델은 정수체, 편도체, 촌상부 등 알려진 신경해부학적 영역을 인지 및 행동 특성과 연관된 주요 기여 요소로 탐지한다.
• 평탄한 GNN과 비교해 계층적 풀링은 다중 척도의 뇌 네트워크 조직을 더 잘 포착함으로써 표현 품질을 향상시킨다.
• 균형 이론에 기반한 부호화된 그래프 학습은 기능 네트워크 내에서 더 해석 가능하고 생물학적으로 일관된 노드 간 관계를 제공한다.

Figure 2: Visualization of the averaged adjacency matrices for original and contrastive samples. The averaged contrastive sample pair is generated by using a window size $d=10$ .