[논문 리뷰] Learning Multi-resolution Graph Edge Embedding for Discovering Brain Network Dysfunction in Neurological Disorders

Xin Ma, Guo‐Rong Wu외 2명|arXiv (Cornell University)|2019. 12. 03.

Functional Brain Connectivity Studies참고 문헌 47인용 수 6

한 줄 요약

이 논문은 뇌 연결성 행렬에 적응형 웨이블릿 유사 그래프 변환을 적용하여 질병 관련 엣지 임베딩을 학습하는 다중 해상도 그래프 신경망(MGNN)을 제안한다. 이 방법은 기능적 및 구조적 뇌 네트워크 전반에서 임상적으로 해석 가능한 고차별성 연결을 식별함으로써 ADHD 및 알츠하이머병 아형을 분류하는 데 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Tremendous recent literature show that associations between different brain regions, i.e., brain connectivity, provide early symptoms of neurological disorders. Despite significant efforts made for graph neural network (GNN) techniques, their focus on graph nodes makes the state-of-the-art GNN methods not suitable for classifying brain connectivity as graphs where the objective is to characterize disease-relevant network dysfunction patterns on graph links. To address this issue, we propose Multi-resolution Edge Network (MENET) to detect disease-specific connectomic benchmarks with high discrimination power across diagnostic categories. The core of MENET is a novel graph edge-wise transform that we propose, which allows us to capture multi-resolution ``connectomic'' features. Using a rich set of the connectomic features, we devise a graph learning framework to jointly select discriminative edges and assign diagnostic labels for graphs. Experiments on two real datasets show that MENET accurately predicts diagnostic labels and identify brain connectivities highly associated with neurological disorders such as Alzheimer's Disease and Attention-Deficit/Hyperactivity Disorder.

연구 동기 및 목표

• 신경학적 장애에서 비정규적이고 유클리드가 아닌 구조를 가진 뇌 네트워크를 분류하는 데 도전하는 데에 대응하기 위해.
• 다양한 척도에서 질병 특이적 연결성 변동을 포착하는 데이터 기반의 적응형 프레임워크를 개발하기 위해.
• 핵심 뇌 연결의 공간적 해석 가능성을 유지하면서 진단 분류 정확도를 향상시키기 위해.
• 작은 신경영상 데이터셋에서 적응성이나 해석 가능성에 빈도가 떨어지는 전통적인 그래프 방법 및 딥러닝 모델의 한계를 극복하기 위해.

제안 방법

• 그래프 조인너시 행렬의 다중 해상도 표현을 제안하며, 그래프의 조화 분석에서 유도된 웨이블릿 유사 그래프 변환을 사용한다.
• 다양한 척도에서 특징을 적응적으로 추출할 수 있도록 파arametric 커널 함수를 사용하여 밴드패스 필터를 생성한다.
• 진단 분류를 최적화하기 위해 다중 해상도 그래프 특징에서 엣지 수준의 임베딩을 학습하기 위해 지도 학습 기반의 컨volutional 신경망(CNN) 프레임워크를 활용한다.
• 진단군 간 높은 분류 능력을 가진 연결 패턴을 강조하기 위해 적응형 그래프 변환을 적용하여 특징 맵을 유도한다.
• 그래프 수준의 레이블에 대해 교차 엔트로피 손실을 사용하고, L1 정규화를 적용하여 희박하고 해석 가능한 엣지 가중치를 촉진하면서 모델을 종합적으로 훈련한다.
• 최상위 가중치를 가진 엣지를 임상적으로 관련성이 있는 연결로 시각화하여 모델 출력과 알려진 뇌 해부학적 발견 간의 연결을 맺는다.

실험 결과

연구 질문

• RQ1 다중 해상도 그래프 표현은 뇌 네트워크 데이터의 신경학적 장애에서 분류 정확도를 향상시킬 수 있는가?
• RQ2 ADHD 및 알츠하이머병 아형을 구분하는 데 가장 차별성이 높은 뇌 연결 패턴은 무엇인가?
• RQ3 적응형 그래프 변환은 고정 또는 비그래프 인식 기반 방법에 비해 특징 학습을 어떻게 향상시키는가?
• RQ4 모델은 기존 뇌 네트워크 dysfunctions에 대한 문헌과 일치하는 임상적으로 관련성이 높은 연결을 어느 정도 식별할 수 있는가?
• RQ5 다중 척도 접근법은 신경영상 연구에서 흔한 소규모 표본 크기의 민감도를 줄일 수 있는가?

주요 결과

• ADNI 데이터셋에서 MGNN는 전임상 대비 전조증상 알츠하이머병을 분류하는 데 77.4%의 정확도, 77.2%의 가중 평균 정밀도, 77.4%의 가중 평균 재현율을 기록하여 모든 베이스라인을 능가했다.
• ADHD-200 데이터셋에서 MGNN는 전통적 방법에 비해 분류 성능을 크게 향상시켰으며, ADHD 문헌과 일치하는 소뇌 및 전두엽 영역을 포함한 10개의 핵심 연결을 식별했다.
• 구조적 연결 분석에서 모델은 네 개의 최적 척도로 수렴하여, 높은 분류 능력을 확보하기 위해 몇몇 척도만으로도 충분함을 시사했다.
• AD 분류에서 상위 10개 엣지 가중치는 편도엽(예: 하부 편도엽 회전, 횡방향 편도엽 소구) 및 측측갈래를 포함한 연결을 강조하였으며, 이는 알츠하이머병 병리학에서 잘 알려진 영역이다.
• 모델은 ADHD에서 17개의 ROI, 알츠하이머병에서 18개의 ROI를 고가중 연결에 일관되게 포함시켜 알려진 뇌 해부학적 연관성과 강한 일치를 보였다.
• L1 정규화는 희박한 엣지 가중치를 생성하여 가장 임상적으로 관련성이 높은 연결을 명확히 시각화할 수 있게 하였으며, 성능을 손상시키지 않은 채 설명 가능성을 향상시켰다.