[논문 리뷰] Deep Hypergraph U-Net for Brain Graph Embedding and Classification

Mert Lostar, Islem Rekik|arXiv (Cornell University)|2020. 08. 30.

Functional Brain Connectivity Studies참고 문헌 42인용 수 5

한 줄 요약

이 논문은 뇌 연결망 데이터에서 고차원 관계를 포착하기 위해 U-Net 아키텍처를 초그래프로 일반화한 새로운 딥러닝 프레임워크인 하이퍼그래프 U-Net(HUNet)을 제안한다. 하이퍼그래프 풀링 및 언풀링 레이어를 도입함으로써 HUNet는 이질적인 뇌 네트워크 데이터셋에서 최신 기술 대비 4–14% 높은 분류 정확도를 달성하여 신경계 질환 진단을 위한 개선된 확장성과 일반화 능력을 입증한다.

ABSTRACT

-Background. Network neuroscience examines the brain as a complex system represented by a network (or connectome), providing deeper insights into the brain morphology and function, allowing the identification of atypical brain connectivity alterations, which can be used as diagnostic markers of neurological disorders. -Existing Methods. Graph embedding methods which map data samples (e.g., brain networks) into a low dimensional space have been widely used to explore the relationship between samples for classification or prediction tasks. However, the majority of these works are based on modeling the pair-wise relationships between samples, failing to capture their higher-order relationships. -New Method. In this paper, inspired by the nascent field of geometric deep learning, we propose Hypergraph U-Net (HUNet), a novel data embedding framework leveraging the hypergraph structure to learn low-dimensional embeddings of data samples while capturing their high-order relationships. Specifically, we generalize the U-Net architecture, naturally operating on graphs, to hypergraphs by improving local feature aggregation and preserving the high-order relationships present in the data. -Results. We tested our method on small-scale and large-scale heterogeneous brain connectomic datasets including morphological and functional brain networks of autistic and demented patients, respectively. -Conclusion. Our HUNet outperformed state-of-the-art geometric graph and hypergraph data embedding techniques with a gain of 4-14% in classification accuracy, demonstrating both scalability and generalizability. HUNet code is available at https://github.com/basiralab/HUNet.

연구 동기 및 목표

• 기존의 그래프 임베딩 방법이 뇌 네트워크 샘플 간의 고차원 관계를 포착하는 데에 한계가 있음을 해결하기 위해.
• 초그래프 구조를 사용하여 뇌 연결망 분류를 위한 확장 가능하고 일반화 가능한 딥러닝 프레임워크를 개발하기 위해.
• 새로운 하이퍼그래프 풀링 및 언풀링 연산을 설계하여 U-Net 아키텍처를 초그래프로 확장하기 위해.
• 소규모 및 대규모 뇌 연결망 데이터셋(자폐증 및 치매 환자로부터의 형태학적 및 기능적 네트워크 포함)에서의 분류 성능 향상을 위해.
• 정밀의료 응용을 위한 유사한 뇌 연결성 변화를 공유하는 환자 군집을 해석 가능하게 할 수 있도록 하기 위해.

제안 방법

• 이 방법은 U-Net 인코더-디코더 아키텍처를 초그래프에서 작동하도록 일반화하여, 표준 그래프 컨벌루션 대신 하이퍼그래프 컨벌루션 레이어를 사용한다.
• 다운샘플링 및 업샘플링 과정에서 고차원 관계를 유지하기 위해 하이퍼그래프 풀링(hPool) 및 하이퍼그래프 언풀링(hUnpool) 레이어를 도입한다.
• 각 하이퍼엣지가 다수의 노드(환자)를 연결하는 초그래프 구조를 사용하여 뇌 네트워크 샘플 간의 다대다 관계를 모델링한다.
• 노드 부분집합 간의 상호작용을 포착하기 위해 고차원 메시지 전파 메커니즘을 통해 특징 집계를 향상시킨다.
• 이중 또는 다중 분류를 위한 교차 엔트로피 손실을 사용하여 엔드 투 엔드로 모델을 훈련시킨다.
• 기하학적 딥러닝 원리를 활용하여 뇌 연결망의 대표적이고 구분 가능한 저차원 임베딩을 학습한다.

실험 결과

연구 질문

• RQ1 표준 그래프 기반 방법에 비해 하이퍼그래프 기반 표현 학습이 뇌 연결망 분류에 개선된 성능을 보일 수 있는가?
• RQ2 U-Net 스타일 아키텍처가 신경영상 데이터의 고차원 관계를 모델링하기 위해 초그래프로 얼마나 효과적으로 일반화될 수 있는가?
• RQ3 하이퍼그래프 풀링 및 언풀링이 뇌 네트워크 임베딩에서 특징 추출 과정에서 분류 성능 향상을 위해 어떻게 기여하는가?
• RQ4 HUNet는 이질적인 뇌 연결망 데이터셋(예: 형태학적 vs. 기능적, 자폐증 vs. 알츠하이머병)에 얼마나 잘 일반화되는가?
• RQ5 학습된 풀링 및 언풀링 가중치를 해석하여 유사한 뇌 연결성 변화를 보이는 환자 군집을 식별할 수 있는가?

주요 결과

• HUNet는 소규모 및 대규모 뇌 연결망 데이터셋에서 최신 기술인 기하학적 그래프 및 하이퍼그래프 임베딩 방법에 비해 4–14% 높은 분류 정확도를 달성하였다.
• 기능적 및 형태학적 뇌 네트워크를 포함한 다양한 데이터 분포에 대해 강력한 확장성과 일반화 능력을 보였다. 이는 자폐증 및 알츠하이머병 환자로부터의 데이터에 대해 적용 가능했다.
• 하이퍼그래프 풀링 및 언풀링의 사용으로 환자 간 고차원 관계를 효과적으로 포착할 수 있었으며, 더 대표성 있고 구분 가능한 임베딩을 생성하였다.
• 깊이가 증가하더라도 성능이 안정되었지만, 과도한 깊이 및 높은 풀링 비율에서는 과적합 현상이 관찰되었다.
• 학습된 하이퍼그래프 구조는 공통된 뇌 연결성 변화를 공유하는 환자 군집을 해석 가능하게 허용하여 정밀의료 응용에 기여하였다.
• 특히 연결망 데이터에서 복잡한 다중 환자 상호작용 패턴을 포착하는 데서 GCN, GAE, HGNN 등의 기존 방법들을 뛰어넘는 성능을 보였다.