[논문 리뷰] DecGAN: Decoupling Generative Adversarial Network detecting abnormal neural circuits for Alzheimer's disease

Junren Pan, Baiying Lei외 4명|arXiv (Cornell University)|2021. 10. 12.

Cell Image Analysis Techniques참고 문헌 52인용 수 4

한 줄 요약

이 논문은 복수 모odal 뇌 네트워크(fMRI 및 DTI)를 분해하여 알츠하이머병(AD)에 중요한 회로를 나타내는 희박한 부분그래프와 무시할 만한 보조 그래프로 분리하는 새로운 탈중앙화 생성 적대적 네트워크인 DecGAN을 제안한다. 그래프 기반 탈중앙화 모듈, 적대적 훈련, 그리고 공간-스펙트럼 초그래프 유사도에 기반한 희박한 용량 손실을 통합함으로써 DecGAN은 재구성 기반 뇌 네트워크를 사용하여 알츠하이머병의 진행 단계를 분류하는 데 있어 최신 기술 수준의 성능을 달성하며, 정확도와 강건성을 향상시킨다.

ABSTRACT

One of the main reasons for Alzheimer's disease (AD) is the disorder of some neural circuits. Existing methods for AD prediction have achieved great success, however, detecting abnormal neural circuits from the perspective of brain networks is still a big challenge. In this work, a novel decoupling generative adversarial network (DecGAN) is proposed to detect abnormal neural circuits for AD. Concretely, a decoupling module is designed to decompose a brain network into two parts: one part is composed of a few sparse graphs which represent the neural circuits largely determining the development of AD; the other part is a supplement graph, whose influence on AD can be ignored. Furthermore, the adversarial strategy is utilized to guide the decoupling module to extract the feature more related to AD. Meanwhile, by encoding the detected neural circuits to hypergraph data, an analytic module associated with the hyperedge neurons algorithm is designed to identify the neural circuits. More importantly, a novel sparse capacity loss based on the spatial-spectral hypergraph similarity is developed to minimize the intrinsic topological distribution of neural circuits, which can significantly improve the accuracy and robustness of the proposed model. Experimental results demonstrate that the proposed model can effectively detect the abnormal neural circuits at different stages of AD, which is helpful for pathological study and early treatment.

연구 동기 및 목표

• 기존 방법에서 간과되기 쉬운 복수 모달 뇌 네트워크(fMRI 및 DTI)에서 알츠하이머병의 비정상적인 신경 회로를 탐지하는 과제를 해결하기 위해.
• 뇌 네트워크를 AD에 중요한 회로와 영향을 미치지 않는 구성요소로 분리할 수 있는 딥 러닝 프레임워크를 개발하여 정밀한 병리학적 분석을 가능하게 하기 위해.
• AD 관련 신경 회로의 특징 표현을 개선하기 위해 적대적 훈련과 새로운 희박한 용량 손실을 통해 내재된 위상적 구조를 유지하기 위해.
• 알츠하이머병 진행 단계에서 연관된 핵심 신경 회로를 식별함으로써 조기 진단을 위한 강건하고 해석 가능한 모델을 제공하기 위해.

제안 방법

• 복수 모달 뇌 네트워크를 AD에 중요한 회로를 나타내는 희박한 부분그래프와 AD에 영향을 미치지 않는 보조 그래프로 분리하는 탈중앙화 모듈을 설계하였다.
• 생성자는 잠재 공간과 분리된 구성요소로부터 원래의 뇌 네트워크를 재구성함으로써 탈중앙화 과정의 특징 표현과 안정성을 향상시켰다.
• 판별자는 실제 뇌 네트워크와 재구성된 네트워크를 구별하도록 적대적으로 훈련되어, 모델이 AD 관련 특징을 더 잘 학습할 수 있도록 하였다.
• 탈중앙화된 부분그래프에서 탐지된 신경 회로를 식별하고 표현하기 위해 초간선 뉴런을 갖춘 초그래프 기반 분석 모듈을 사용하였다.
• 공간-스펙트럼 초그래프 유사도에 기반한 새로운 희박한 용량 손실을 도입하여 신경 회로 간 위상적 차이를 최소화함으로써 강건성과 정확도를 향상시켰다.
• 기능적(rs-fMRI) 및 구조적(DTI) 연결 데이터로부터 상호 보완적인 위상적 특징을 추출하기 위해 그래프 컬러이션 네트워크(GCNs)를 활용하였다.

실험 결과

연구 질문

• RQ1 딥 생성 모델이 복수 모달 뇌 네트워크를 AD에 중요한 신경 회로와 영향을 미치지 않는 구성요소로 효과적으로 탈중앙화할 수 있는가?
• RQ2 적대적 훈련과 새로운 손실 함수는 알츠하이머병에서 비정상적인 신경 회로 탐지에 어떻게 기여하는가?
• RQ3 희박한 용량 손실이 탐지된 신경 회로의 위상적 충실도와 분류 성능에 얼마나 기여하는가?
• RQ4 분리된 구성요소로부터 재구성된 뇌 네트워크가 이전의 네트워크보다 알츠하이머병 진행 단계 분류에서 더 우수한 성능을 보일 수 있는가?

주요 결과

• DecGAN은 알츠하이머병(AD) 대 비정상 대조군(NC) 분류에서 85.18% 정확도, 93.75% 민감도, 72.72% F1 점수를 기록하여 이전의 네트워크를 초월하였다.
• GCN를 사용한 NC 대 AD 분류에서 재구성 기반 뇌 네트워크는 86.20% 정확도와 88.88% F1 점수를 기록하여 이전 네트워크(82.75% 정확도, 83.87% F1 점수)보다 유의미하게 뛰어났다.
• 희박한 용량 손실은 신경 회로 간 내재된 위상적 차이를 최소화하여 모델의 강건성을 향상시키며, 다양한 AD 진행 단계에서의 일반화 능력을 향상시켰다.
• 탐지된 신경 회로는 임상 문헌에 의해 검증된 알츠하이머병 영향을 받는 영역인 헤드 루프, 측두엽, 후두엽과 높은 상관관계를 보였다.
• 모델는 NC, EMCI, LMCI, AD 등 다양한 알츠하이머병 진행 단계에서 비정상적인 회로를 성공적으로 식별하여 조기 병리학적 탐지에 유용함을 입증하였다.
• 재구성된 구조적 연결성(가중 인접 행렬)의 시각화 결과 DecGAN이 의미 있는 네트워크 위상을 유지하며, 이전의 네트워크보다 더 명확한 AD 관련 패턴을 보였다.