[논문 리뷰] Graph-Regularized Manifold-Aware Conditional Wasserstein GAN for Brain Functional Connectivity Generation

Yee Fan Tan, Chee‐Ming Ting외 3명|arXiv (Cornell University)|2022. 12. 10.

Functional Brain Connectivity Studies인용 수 8

한 줄 요약

이 논문은 대칭 양의 정부호(SPD) 행렬의 리만 다양체 위에서 그 구조를 유지하면서 실제적인 뇌 기능 연결성(FC) 행렬을 생성하는 그래프 정규화 및 다양체 인식 조건부 워셔스타인 GAN인 GR-SPD-GAN을 제안한다. 클래스 조건부 생성과 인구 그래프 기반 정규화를 통합함으로써, 기존 최고 수준의 GAN들보다 더 다양한 기하학적으로 정확한 FC 샘플을 생성하며, 데이터 증강에 활용할 경우 우수한 기하학적 정밀도와 다양성을 확보하여 우울증(모든 우울증, MDD) 분류 정확도를 크게 향상시킨다.

ABSTRACT

Common measures of brain functional connectivity (FC) including covariance and correlation matrices are semi-positive definite (SPD) matrices residing on a cone-shape Riemannian manifold. Despite its remarkable success for Euclidean-valued data generation, use of standard generative adversarial networks (GANs) to generate manifold-valued FC data neglects its inherent SPD structure and hence the inter-relatedness of edges in real FC. We propose a novel graph-regularized manifold-aware conditional Wasserstein GAN (GR-SPD-GAN) for FC data generation on the SPD manifold that can preserve the global FC structure. Specifically, we optimize a generalized Wasserstein distance between the real and generated SPD data under an adversarial training, conditioned on the class labels. The resulting generator can synthesize new SPD-valued FC matrices associated with different classes of brain networks, e.g., brain disorder or healthy control. Furthermore, we introduce additional population graph-based regularization terms on both the SPD manifold and its tangent space to encourage the generator to respect the inter-subject similarity of FC patterns in the real data. This also helps in avoiding mode collapse and produces more stable GAN training. Evaluated on resting-state functional magnetic resonance imaging (fMRI) data of major depressive disorder (MDD), qualitative and quantitative results show that the proposed GR-SPD-GAN clearly outperforms several state-of-the-art GANs in generating more realistic fMRI-based FC samples. When applied to FC data augmentation for MDD identification, classification models trained on augmented data generated by our approach achieved the largest margin of improvement in classification accuracy among the competing GANs over baselines without data augmentation.

연구 동기 및 목표

• 표준 GAN이 대칭 양의 정부호(SPD) 행렬의 내재된 리만 기하학을 忽略하는 데 기인한 제한점을 해결하기 위해.
• fMRI 기반 FC 행렬의 SPD 구조를 유지하면서 건강한 상태와 MDD 등 다양한 뇌 네트워크 클래스에 대응하는 샘플을 생성할 수 있는 조건부 생성 모델을 개발하기 위해.
• 인구 그래프 기반 정규화를 통해 리만 다양체와 그 탄젠트 공간에서의 훈련 안정성을 향상시키고 모드 붕괴를 방지하기 위해.
• 제안된 방법을 활용한 데이터 증강이 뇌 질환 분류, 특히 중증 우울 장애(MDD) 분류에 얼마나 유용한지 평가하기 위해.
• 다양체 인식 생성이 유클리드 기반 GAN보다 더 높은 품질의 합성 데이터를 생성하여 후속 분류 성능을 향상시키는지 입증하기 위해.

제안 방법

• 모델은 리만 다양체 위에서 SPD 행렬에 적합한 일반화된 워셔스타인 거리 척도를 적용한 조건부 워셔스타인 GAN 프레임워크를 사용한다.
• 생성자는 클래스 레이블(MDD 또는 건강한 대조군 등)에 조건부로 설정되어, SPD 기하학을 존중하면서도 특정 클래스의 FC 행렬을 생성한다.
• 구조적 일致성 향상과 훈련 안정성 향상을 위해, SPD 다양체와 그 탄젠트 공간에서 재구성 손실이 적용된다.
• 인구 그래프에서 유도된 피험자 간 유사도를 활용한 그래프 기반 정규화 항목이 도입되어, 생성기가 개인 간에 현실적인 FC 패턴을 학습하도록 유도된다.
• 판별자는 리만 기하학을 존중하는 다양체 제약 손실 함수를 사용하여 실제 FC 행렬과 생성된 행렬을 구분하도록 훈련된다.
• 완전한 훈련 목표는 적대적 손실, 재구성 손실, 그래프 정규화를 통합하여 생성기의 품질과 다양성을 최적화한다.

실험 결과

연구 질문

• RQ1 표준 유클리드 기반 GAN이 fMRI 데이터에 내재된 대칭 양의 정부호(SPD) 행렬의 기하학적 특성을 忽略하는 바람에 발생하는 문제를 해결하기 위해, GAN 기반 모델이 실제로 fMRI 데이터의 SPD 기하학을 유지하면서 기능 연결성(FC) 행렬을 효과적으로 생성할 수 있는가?
• RQ2 리만 기하학과 다양체 인식 훈련을 통합할 경우, 기존 유클리드 GAN에 비해 생성된 FC 행렬의 현실성과 다양성은 얼마나 향상되는가?
• RQ3 피험자 간 유사도를 기반으로 한 그래프 정규화 훈련이 생성된 FC 데이터의 품질과 일반화 능력에 얼마나 기여하는가?
• RQ4 제안된 GR-SPD-GAN을 활용한 데이터 증강이 기존 기반 모델 및 다른 GAN 기반 증강 방법에 비해 MDD 분류 성능 향상에 측정 가능한 기여를 하는가?
• RQ5 단일 손실 구성 요소(적대적, 재구성, 그래프 정규화)가 분류 성능에 미치는 영향은 무엇이며, 이는 탈락 분석(ablation study)에서 어떻게 확인되는가?

주요 결과

• GR-SPD-GAN은 MDD fMRI 데이터셋에서 더 높은 기하학적 점수를 기록함으로써, 최고 수준의 GAN들보다 기하학적으로 정확한 FC 샘플을 생성하는 데서 뛰어난 성능을 보였다.
• 데이터 증강에 활용했을 때, GR-SPD-GAN으로 생성된 데이터를 기반으로 훈련된 FC 분류기는 모든 테스트된 분류기 중에서 가장 높은 분류 정확도 향상을 기록했으며, 다른 GAN들에 비해 상당한 격차를 보였다.
• GR-SPD-GAN으로 생성된 데이터를 사용한 분류 성능는 실험 폴드 간 변동성이 낮아, 증강된 모델의 일관성과 일반화 능력이 뛰어나다는 것을 시사했다.
• 탈락 분석 결과, 인구 그래프 정규화의 포함이 분류 성능 향상에 상당한 기여를 했으며, 재구성 손실만으로는 추가적인 이점이 미미했다.
• 세 배 이상의 데이터 증강을 초과하면 성능 향상의 수익 감소 현상이 나타나, 이 이상의 증강은 효율성이 떨어짐을 시사했다.
• 표준 GAN은 모드 붕괴 문제로 인해 중복되고 다양성이 낮은 FC 샘플을 생성했으며, 이는 증강에 활용될 경우 분류 성능이 저하되거나 향상되지 않았다.