[논문 리뷰] Graph Convolutions on Spectral Embeddings: Learning of Cortical Surface Data

Karthik Gopinath, Christian Desrosiers외 1명|arXiv (Cornell University)|2018. 03. 27.

Functional Brain Connectivity Studies참고 문헌 18인용 수 4

한 줄 요약

이 논문은 다양한 층상 표면 기하구조 간에 스펙트럼 임bedding를 전이할 수 있도록 스펙트럼 그래프 매칭을 활용하는 새로운 그래프 컨volution 프레임워크를 제안한다. 이는 스펙트럼 필터를 통해 표면 데이터를 직접 학습할 수 있게 해주며, 층상 분할에서 82.2%의 Dice 스코어를 달성한다. 이는 FreeSurfer의 83%와 유사한 성능이지만, 처리 시간을 시간에서 18초로 획기적으로 단축시킨다.

ABSTRACT

Neuronal cell bodies mostly reside in the cerebral cortex. The study of this thin and highly convoluted surface is essential for understanding how the brain works. The analysis of surface data is, however, challenging due to the high variability of the cortical geometry. This paper presents a novel approach for learning and exploiting surface data directly across surface domains. Current approaches rely on geometrical simplifications, such as spherical inflations, a popular but costly process. For instance, the widely used FreeSurfer takes about 3 hours to parcellate brain surfaces on a standard machine. Direct learning of surface data via graph convolutions would provide a new family of fast algorithms for processing brain surfaces. However, the current limitation of existing state-of-the-art approaches is their inability to compare surface data across different surface domains. Surface bases are indeed incompatible between brain geometries. This paper leverages recent advances in spectral graph matching to transfer surface data across aligned spectral domains. This novel approach enables a direct learning of surface data across compatible surface bases. It exploits spectral filters over intrinsic representations of surface neighborhoods. We illustrate the benefits of this approach with an application to brain parcellation. We validate the algorithm over 101 manually labeled brain surfaces. The results show a significant improvement in labeling accuracy over recent Euclidean approaches, while gaining a drastic speed improvement over conventional methods.

연구 동기 및 목표

• 뇌영상에서 매우 다양하고 비균일한 층상 기하구조 간에 표면 데이터를 학습하는 데 도전하는 것.
• 기존 그래프 컨볼루션 방법이 서로 다른 표면 도메인 간에 데이터를 비교할 수 없도록 하는 라플라시안 고유기저의 불일치성 문제를 해결하는 것.
• 내재된 이웃 구조 표현을 기반으로 스펙트럼 도메인에서 작동하는 스펙트럼 필터를 사용해 층상 표면 데이터를 직접 학습할 수 있도록 하는 것.
• 정렬된 스펙트럼 도메인 간의 스펙트럼 좌표 전이를 통해 층상 분할의 높은 정확도와 빠른 처리를 달성하는 것.
• 스펙트럼 기반 그래프 컨볼루션 방법이 정확도와 계산 효율성 측면에서 유클리드 기반 접근법보다 뛰어나다는 것을 입증하는 것.

제안 방법

• 다른 뇌 표면 기하구조 간에 라플라시안 고유기저를 정렬하기 위해 스펙트럼 그래프 매칭을 사용하여, 서로 다른 도메인 간의 표면 데이터 비교를 가능하게 한다.
• 층상 표면을 그래프로 표현하고, 그래프 라플라시안의 첫 번째 몇 개의 고유벡터를 사용하여 스펙트럼 다양체에 임bedding한다.
• 내재된 이웃 구조를 스펙트럼 도메인에서 작동하는 스펙트럼 필터를 갖춘 그래프 컨volution 네트워크(GCNs)를 적용한다.
• 컨볼루션 연산 중 국소 기하 패턴을 유지하기 위해 스펙트럼 좌표를 기반으로 가중치가 부여된 인접 행렬을 구성한다.
• 수동으로 레이블링된 층상 분할 데이터셋을 사용한 지도 학습 설정에서 GCN을 훈련하고, Dice 스코어 최적화를 위해 최적화한다.
• 예측 후 경계의 부드러움을 개선하기 위해 Potts 모델을 사용한 마르코프 랜덤 필드(MRF) 정규화를 적용한다.

실험 결과

연구 질문

• RQ1 서로 다른 기하구조를 가진 층상 표면 데이터에 대해, 라플라시안 고유기저가 불일치하더라도 스펙트럼 그래프 컨볼루션을 효과적으로 적용할 수 있는가?
• RQ2 기존 유클리드 기반 그래프 컨볼루션 방법과 비교해 스펙트럼 도메인에서의 학습이 분할 정확도를 향상시키는가?
• RQ3 스펙트럼 도메인에서 이웃 정보를 통합할 경우, 점별 스펙트럼 학습에 비해 성능 향상 정도는 어느 정도인가?
• RQ4 기존 방법(예: FreeSurfer)과 비교해, 제안된 방법이 상당히 빠른 처리 시간을 확보하면서도 최신 기술 수준의 분할 정확도를 달성할 수 있는가?
• RQ5 다양한 층상 표면에서 스펙트럼 방법의 성능 안정성은 어떻게 평가되는가? (Dice 스코어의 분산으로 측정함)

주요 결과

• 제안된 스펙트럼 그래프 컨볼루션 프레임워크는 32개의 층상 파라셀에 대해 평균 82.2% (±5.3%)의 Dice 스코어를 달성하여 유클리드 기반 기준선(59.0%)을 크게 능가한다.
• 처리 시간을 약 3시간(_FreeSurfer_ 기준)에서 단 18초로 단축시켜, 처리 속도가 한 계급 수준으로 향상되었다.
• 스펙트럼 도메인에서 이웃 정보를 통합할 경우 82.2%의 Dice 스코어를 달성한 반면, 점별 스펙트럼 정보만 사용할 경우 75.6%에 그친다.
• 스펙트럼 방법의 파라셀 간 Dice 스코어 표준편차는 5.3%이며, 이는 FreeSurfer의 10.3%와 유클리드 접근법의 20.5%보다 훨씬 낮아 안정성이 뛰어나다는 것을 시사한다.
• MRF 정규화를 통해 스펙트럼 방법의 정확도는 85.4%로 향상되었고, 하우소르프 거리도 12.3mm에서 10.6mm로 감소하여 경계 품질 향상이 확인되었다.
• 제안된 방법은 FreeSurfer(1000개의 뇌 영상에서 83.2%의 Dice 스코어)와 유사한 성능을 달성하면서도, 계산 효율성 측면에서 큰 우위를 확보했다.