[논문 리뷰] Deep neural networks on graph signals for brain imaging analysis

Yiluan Guo, Hossein Nejati외 1명|arXiv (Cornell University)|2017. 05. 13.

Advanced Graph Neural Networks인용 수 9

한 줄 요약

이 논문은 노이즈가 많고 고차원적인 MEG 뇌 영상 데이터로부터 저차원의 구분 가능한 표현을 학습하기 위해 그래프 컬러리션 네트워크(GCNs)와 완전 연결층을 통합한 새로운 딥 오토인코더 아키텍처를 제안한다. 체비셰프 다항식 근사와 뇌 연결성(그레인저 인과성)을 사전 구조 정보로 활용함으로써 그래프 신호 처리를 구현하고, 실제 MEG 데이터셋에서 최신 기술 수준의 분류 정확도를 달성하여 PCA, RPCA 및 표준 오토인코더를 능가한다.

ABSTRACT

Brain imaging data such as EEG or MEG are high-dimensional spatiotemporal data often degraded by complex, non-Gaussian noise. For reliable analysis of brain imaging data, it is important to extract discriminative, low-dimensional intrinsic representation of the recorded data. This work proposes a new method to learn the low-dimensional representations from the noise-degraded measurements. In particular, our work proposes a new deep neural network design that integrates graph information such as brain connectivity with fully-connected layers. Our work leverages efficient graph filter design using Chebyshev polynomial and recent work on convolutional nets on graph-structured data. Our approach exploits graph structure as the prior side information, localized graph filter for feature extraction and neural networks for high capacity learning. Experiments on real MEG datasets show that our approach can extract more discriminative representations, leading to improved accuracy in a supervised classification task.

연구 동기 및 목표

• 비정규적이고 뇌 구조에 의해 정의된 그래프 위에 존재하는 고차원적이고 노이즈가 많은 MEG 신호로부터 강건한 저차원 표현을 추출하는 데 도전하는 것.
• 특히 그레인저 인과성에서 유도된 뇌 연결성을 사전 구조 정보로 통합하여 뇌 영상에서의 특징 학습을 향상시키기 위한 딥 네ural 네트워크에 통합하는 것.
• 그래프 컬러리션 레이어와 완전 연결 레이어를 조합한 딥 오토인코더 프레임워크를 개발하여 그래프 구조 신호에 대해 엔드 투 엔드로 비지도 표현 학습을 수행하는 것.
• 그래프 구조와 비선형 변환을 통해 MEG 기반 분류 작업에서의 구분 능력이 향상되는지 평가하는 것.

제안 방법

• 메소드는 센서 위치와 시간 동역학을 기반으로 그레인저 인과성을 통해 추정된 뇌 연결성 그래프 위에 MEG 신호를 그래프 신호로 모델링한다.
• 그래프 컬러리션 레이어는 연결성 그래프 위에서 국소화된 그래프 필터를 효율적으로 계산하기 위해 일阶 체비셰프 다항식 근사를 사용한다.
• 아키텍처는 오토인코더 유사 구조를 취하며, 그래프 컬러리션 레이어를 스택한 후 완전 연결 레이어를 이어가며, 평균 제곱오차 손실을 사용해 엔드 투 엔드로 훈련한다.
• 비선형 활성화 함수(예: ReLU)는 각 그래프 컬러리션 레이어 이후에 적용되어 비선형 특징 학습과 계층적 표현 추출을 가능하게 한다.
• 버블넥 레이어에서 생성된 저차원 표현은 선형 SVM에 입력되어 지도 분류를 수행한다.
• 모델은 비지도 방식으로 훈련되며, 그래프 구조가 특징 학습을 이끌어내는 인덕티브 바이어스로 기능한다.

실험 결과

연구 질문

• RQ1 뇌 연결성을 그래프 사전 정보로 통합함으로써 기존의 표준 차원 축소 기법을 초월해 MEG 데이터의 학습 표현 품질을 향상시킬 수 있는가?
• RQ2 그래프 컬러리션 레이어에 비선형 활성화 함수를 포함시키는 것이 학습된 특징의 구분 능력에 어떤 영향을 미치는가?
• RQ3 제안된 방법이 PCA 및 RPCA와 같은 선형 방법과 표준 오토인코더보다 다양한 시각 자극에 대한 MEG 신호 분류에서 더 뛰어난 성능을 보일 수 있는가?
• RQ4 특히 진짜 연결성 그래프를 신뢰성 없는 정규화 또는 무작위 행렬로 대체할 경우 성능에 얼마나 민감한가?

주요 결과

• 제안된 모델은 세 명의 피실험자에 대해 평균 분류 정확도 68.33%를 기록하여 PCA(65.29%), RPCA(66.56%), 표준 오토인코더(66.93%)를 크게 앞서며 최고의 성능을 보였다.
• 진짜 그레인저 인과성 기반 그래프(GCC)를 인접 행렬로 사용할 경우 최고의 성능를 기록했으며, 각 피실험자별 정확도는 68.33%, 64.14%, 64.35%였다.
• GCC를 항등행렬로 대체하면 성능이 66.16%로 감소하여, 그래프 구조가 단순한 센서 수준 처리를 넘어서 의미 있는 인덕티브 바이어스를 제공한다는 것을 보여주었다.
• 그래프를 대칭적인 무작위 행렬로 대체하면 정확도가 급격히 59.41%로 떨어졌으며, 이는 잘못된 그래프 사전 정보가 성능을 떨어뜨리고 정확한 연결성 모델링의 필요성을 입증한다.
• 그래프 컬러리션 레이어에서 비선형 활성화 함수를 제거하면 정확도가 66.56%로 감소하여 비선형 변환이 그래프 구조를 효과적으로 활용하기 위해 필수적임을 보여주었다.
• 그래프 컬러리션 레이어를 포함한 4층 오토인코더는 2층 및 4층 표준 오토인코더보다 뛰어난 성능를 보였으며, 그래프 인식 특징 학습의 이점을 확인하였다.