[논문 리뷰] FBNETGEN: Task-aware GNN-based fMRI Analysis via Functional Brain Network Generation

Xuan Kan, Hejie Cui외 3명|PubMed|2022. 05. 25.

Functional Brain Connectivity Studies참고 문헌 42인용 수 29

한 줄 요약

FBNetGen은 fMRI 시간 시계열에서 뇌 네트워크를 생성하도록 학습하는 작업-인식(end-to-end) 프레임워크를 제시하고, 다운스트림 예측에 GNN을 사용하며, 해석 가능한 작업 중심 그래프를 통해 ABCD와 PNC에서 해석가능한 상태-최첨단 성별 예측을 달성한다.

ABSTRACT

Functional magnetic resonance imaging (fMRI) is one of the most common imaging modalities to investigate brain functions. Recent studies in neuroscience stress the great potential of functional brain networks constructed from fMRI data for clinical predictions. Traditional functional brain networks, however, are noisy and unaware of downstream prediction tasks, while also incompatible with the deep graph neural network (GNN) models. In order to fully unleash the power of GNNs in network-based fMRI analysis, we develop FBNETGEN, a task-aware and interpretable fMRI analysis framework via deep brain network generation. In particular, we formulate (1) prominent region of interest (ROI) features extraction, (2) brain networks generation, and (3) clinical predictions with GNNs, in an end-to-end trainable model under the guidance of particular prediction tasks. Along with the process, the key novel component is the graph generator which learns to transform raw time-series features into task-oriented brain networks. Our learnable graphs also provide unique interpretations by highlighting prediction-related brain regions. Comprehensive experiments on two datasets, i.e., the recently released and currently largest publicly available fMRI dataset Adolescent Brain Cognitive Development (ABCD), and the widely-used fMRI dataset PNC, prove the superior effectiveness and interpretability of FBNETGEN. The implementation is available at https://github.com/Wayfear/FBNETGEN.

연구 동기 및 목표

• fMRI 데이터의 엔드투엔드 분석을 작업 인식 뇌 네트워크 생성을 통해 동기를 부여하고 가능하게 한다.
• 향상된 예측에 적합한 양의, 작업-특화 된 기능적 뇌 그래프를 GNN과 호환되도록 생성한다.
• 예측 관련 뇌 연결 패턴을 강조하는 해석 가능한 뇌 연결성을 제공한다.
• 시계열 기반 기준 및 전통적 그래프 방법에 비해 우수한 예측 성능을 입증한다.

제안 방법

• 시간 시계열 인코더(1D-CNN 또는 bi-GRU)를 사용하여 BOLD 신호로부터 축소되고 잡음을 제거한 ROI 특징 h_e를 얻는다.
• 그래프 생성기는 h_A = softmax(h_e)로 A = h_A h_A^T를 계산하여 양의 가중치를 갖는 작업 지향 뇌 네트워크를 생성한다.
• 그래프 예측기는 피어슨 기반 특징 F와 인접 행렬 A로 초기화된 노드에서 K-레이어 GNN을 사용하여 레이블을 예측한다.
• 세 가지 작업 정렬 정규화 항을 포함한 L = L_ce + alpha L_intra + beta L_inter + gamma L_sparsity를 최적화하는 엔드투엔드 학습.
• 정규화 항으로는 그룹 내부 손실(within-class 일관성), 그룹 간 손실(between-class 분리), 그리고 희소성 손실(edge 희소성)이 포함된다.
• 제거 연구(Ablation) 분석은 정규화 항 제거의 영향과 엔드투엔드, 작업 인식 설계의 이점을 보여준다.

실험 결과

연구 질문

• RQ1 FBNetGen이 시간 시계열 기준 및 전통적 그래프 구성 방법에 비해 데이터셋 전반에서 예측 성능을 개선하는가?
• RQ2 학습된 작업 지향 뇌 그래프가 해석 가능하고 알려진 신경생물학적 발견(예: DMN, 성별 관련 연결성)과 일치하는가?
• RQ3 제안된 정규화 항(Intra/Group 및 Sparsity)이 예측 정확도 및 해석성에 어떤 영향을 미치는가?
• RQ4 학습된 그래프가 PNC와 ABCD 및 뇌 아틀라스 간에 일관되고 재현 가능한 통찰을 제공하는가?

주요 결과

• FBNetGen은 PNC와 ABCD에서 AUROC와 정확도 모두에서 시계열 인코더 및 전통/학습 가능한 그래프 방법을 포함한 모든 베이스라인을 능가한다.
• 학습된 작업 지향 그래프는 예측에 관련된 연결에 가중치를 두고 긍정 가중치를 갖는 간선으로 구성되어 GNN과 호환되며 더 나은 판별력을 가능하게 한다.
• 제외 연구에서 모든 정규화 항을 포함하는 경우(CE + GL + SL)가 일부 제거된 변형보다 더 안정적이고 높은 성능을 보인다.
• 해석 가능성 분석은 학습된 그래프가 기본-모드 네트워크(DMN) 및 성별 차이에 대한 신경생물학적 발견과 일치하는 모듈들을 강조한다.
• 데이터셋 전반에 걸쳐 일관된 해석성과 예측 개선이 나타나며, 엔드투엔드의 작업 인식 설계의 타당성을 뒷받침한다.