[논문 리뷰] Graph Saliency Maps through Spectral Convolutional Networks: Application to Sex Classification with Brain Connectivity

Salim Arslan, Sofia Ira Ktena외 2명|arXiv (Cornell University)|2018. 06. 05.

Functional Brain Connectivity Studies참고 문헌 16인용 수 4

한 줄 요약

이 논문은 노드 수준의 레이블 없이 기능성 연결망에서 주목할 만한 뇌 영역을 식별하기 위해 스펙트럴 컨볼루션과 클래스 활성화 맵핑을 사용하는 새로운 시각적 기여도 방법을 제안한다. UK Biobank rs-fMRI 데이터(5,000명 이상)에서 성별 분류 작업에 적용된 결과, 이 방법은 기본 모드 네트워크—특히 노드 21, 5, 13, 7—를 성별 예측에 가장 기여하는 영역로 안정적으로 강조하며, 실행 간 높은 재현성과 강한 신경생물학적 관련성을 보였다.

ABSTRACT

Graph convolutional networks (GCNs) allow to apply traditional convolution operations in non-Euclidean domains, where data are commonly modelled as irregular graphs. Medical imaging and, in particular, neuroscience studies often rely on such graph representations, with brain connectivity networks being a characteristic example, while ultimately seeking the locus of phenotypic or disease-related differences in the brain. These regions of interest (ROIs) are, then, considered to be closely associated with function and/or behaviour. Driven by this, we explore GCNs for the task of ROI identification and propose a visual attribution method based on class activation mapping. By undertaking a sex classification task as proof of concept, we show that this method can be used to identify salient nodes (brain regions) without prior node labels. Based on experiments conducted on neuroimaging data of more than 5000 participants from UK Biobank, we demonstrate the robustness of the proposed method in highlighting reproducible regions across individuals. We further evaluate the neurobiological relevance of the identified regions based on evidence from large-scale UK Biobank studies.

연구 동기 및 목표

• 노드 수준의 감독 없이도 그래프 구조 데이터에 대한 시각적 기여도 방법을 개발하여 분류에 핵심적인 영향을 미치는 뇌 영역을 식별하는 것.
• 다양한 피험자와 학습 실행 간 일관되고 재현 가능한 뇌 영역을 식별할 수 있는 방법의 강건성을 입증하는 것.
• 대규모 UK Biobank 연결망 데이터와 이전의 성차이 연구를 바탕으로 식별된 영역의 신경생물학적 관련성을 검증하는 것.
• 유럽형 이미지에서의 클래스 활성화 맵핑을 비유럽형 그래프 데이터, 특히 기능성 뇌 네트워크로 확장하는 것.
• 신경과학 분야의 그래프 중심 딥러닝 작업에서 ROI 식별을 위한 일반화 가능한 프레임워크를 제공하는 것.

제안 방법

• 기능성 연결 그래프를 휴식 상태 fMRI 데이터에서 유도한 스펙트럴 컨volution 네트워크(GCN)를 사용하여 처리한다.
• 최종 컨볼루션 레이어의 특징에 클래스 활성화 맵핑(CAM)을 적용하여 개별 노드(뇌 영역)의 기여도를 기여도로 할당한다.
• 노드 기여도는 특징 맵의 가중 활성화 기반으로 계산되며, 높은 가중치는 분류 결정에 더 큰 기여를 함을 의미한다.
• 각 그래프가 피험자의 기능성 연결망을 나타내는 이진 성별 분류 작업에 이 방법을 적용한다.
• 기여도 점수는 피험자 간 평균화되고 여러 학습 실행 간 평균을 내어 일관성과 재현성을 평가한다.
• 기여도가 높은 노드를 휴식 상태 네트워크(RSN)에 매핑하고 UK Biobank의 군 평균 연결망과 비교하여 신경생물학적 관련성을 평가한다.

실험 결과

연구 질문

• RQ1 클래스 활성화 맵핑이 기능성 뇌 네트워크의 주목할 만한 노드를 식별하는 데 있어 그래프 구조 데이터에 효과적으로 적응될 수 있는가?
• RQ2 이 방법이 식별한 주목할 만한 뇌 영역은 다양한 피험자와 학습 실행 간에 일관된가?
• RQ3 식별된 주목할 만한 노드는 기본 모드 네트워크와 같이 생물학적으로 의미 있는 뇌 네트워크에 해당하는가?
• RQ4 학습 초기화 및 하이퍼파라미터의 변동에 대해 이 방법이 강건한가?
• RQ5 노드에 사전 레이블 없이도 이 방법이 알려진 기능성 연결망의 성차이를 탐지할 수 있는가?

주요 결과

• 이 방법은 모든 피험자와 여러 학습 실행 간 동일한 네 개의 뇌 영역—노드 21, 5, 13, 7—을 가장 기여도가 높은 영역로 일관되게 식별하며, 90% 이상의 실행에서 상위 3위 이내로 순위를 매겼다.
• 이 영역들은 기본 모드 네트워크에 속하며, 내적 인지 및 자기 기반 처리와 관련된 알려진 기능성 네트워크이다.
• 여성에서 기본 모드 네트워크의 기능적 연결성이 더 강한 것으로 나타나, 이는 이전의 UK Biobank 연구 결과와 일치하며, 식별된 영역의 신경생물학적 관련성을 뒷받침한다.
• 다른 무작위 시드와 교차검증 폴드 간에도 기여도 맵이 매우 높은 재현성을 보이며, 학습 변동에 대한 강건성을 입증한다.
• 기능성 연결망 그래프를 사용한 성별 분류 작업에서 최신 기준 성능을 달성하여, 이 방법의 예측 능력을 검증한다.
• 노드 수준의 레이블이 필요 없이 생물학적으로 의미 있는 ROI를 성공적으로 식별함으로써, 연결망학에서 비감독적 ROI 탐색에 대한 유용성을 입증한다.