[논문 리뷰] Learning Task-Aware Effective Brain Connectivity for fMRI Analysis with Graph Neural Networks

Yue Yu, Xuan Kan외 10명|arXiv (Cornell University)|2022. 11. 01.

Functional Brain Connectivity Studies인용 수 5

한 줄 요약

이 논문은 기울기 기반 최적화를 사용한 방향성 비순환 그래프(DAG) 구조 학습을 통해 fMRI 데이터로부터 임무 인식 효과적 뇌 연결성(Effective Brain Connectivity)을 학습하는 엔드 투 엔드 프레임워크인 TBDS를 제안한다. 교차 엔트로피 및 대조 손실을 통한 임무 특화 지도 학습을 통합함으로써 TBDS는 희박하고 해석 가능한 뇌 네트워크를 생성하며, 이는 후행 예측 성능을 향상시키고 생물학적으로 관련성이 있는 영역을 부각시켜 ABCD 및 PNC 데이터셋에서 기준 방법들을 능가한다.

ABSTRACT

Functional magnetic resonance imaging (fMRI) has become one of the most common imaging modalities for brain function analysis. Recently, graph neural networks (GNN) have been adopted for fMRI analysis with superior performance. Unfortunately, traditional functional brain networks are mainly constructed based on similarities among region of interests (ROI), which are noisy and agnostic to the downstream prediction tasks and can lead to inferior results for GNN-based models. To better adapt GNNs for fMRI analysis, we propose TBDS, an end-to-end framework based on \underline{T}ask-aware \underline{B}rain connectivity \underline{D}AG (short for Directed Acyclic Graph) \underline{S}tructure generation for fMRI analysis. The key component of TBDS is the brain network generator which adopts a DAG learning approach to transform the raw time-series into task-aware brain connectivities. Besides, we design an additional contrastive regularization to inject task-specific knowledge during the brain network generation process. Comprehensive experiments on two fMRI datasets, namely Adolescent Brain Cognitive Development (ABCD) and Philadelphia Neuroimaging Cohort (PNC) datasets demonstrate the efficacy of TBDS. In addition, the generated brain networks also highlight the prediction-related brain regions and thus provide unique interpretations of the prediction results. Our implementation will be published to https://github.com/yueyu1030/TBDS upon acceptance.

연구 동기 및 목표

• 기존의 상관관계 기반, 풍부한, 임무 무관 연결 패턴에 의존하는 전통적인 fMRI 뇌 네트워크 구성 방식의 한계를 해결하기 위해.
• fMRI 시계열 데이터로부터 효과적(인과 유사) 뇌 연결성을 생성할 수 있는 확장성 있고 엔드 투 엔드 프레임워크를 개발하기 위해.
• 임무 특화 지식을 뇌 네트워크 생성 과정에 통합하여 후행 임상 예측 성능를 향상시키기 위해.
• 예측 작업과 관련된 생물학적으로 의미 있는 연결을 부각시키는 희박하고 해석 가능한 뇌 네트워크를 생성하기 위해.
• 수백 개의 ROI를 포함한 대규모 fMRI 데이터셋에 적합한 GPU 가속 기반의 효율적인 뇌 네트워크 생성을 가능하게 하기 위해.

제안 방법

• TBDS는 원시 fMRI 시계열을 임무 인식 뇌 연결성 그래프로 변환하기 위해 미분 가능 DAG 학습 방법을 사용한다.
• 뇌 네트워크 생성기는 구조적 정규화를 통해 순환성 제약의 연속적 근사화를 적용하여 기울기 기반 최적화를 가능하게 한다.
• 노드 표현을 임무 특화 예측 목표와 정렬하기 위해 대조 정규화 손실을 도입한다.
• 노이즈가 많은 레이블에 대한 과적합을 줄이기 위해 타깃 분류기의 기울기들에 대해 불확실성 기반 재가중 전략을 적용한다.
• 뇌 네트워크 생성과 후행 예측이 함께 최적화되는 엔드 투 엔드 학습을 통합한다.
• 음수 간선 가중치는 구조적 및 예측적 무결성을 유지하기 위해 학습 가능한 변환을 통해 처리된다.

실험 결과

연구 질문

• RQ1 미분 가능 DAG 학습 프레임워크가 fMRI 시계열 데이터로부터 희박하고 임무 인식 뇌 연결성을 효과적으로 생성할 수 있는가?
• RQ2 뇌 네트워크 생성 과정에서 임무 특화 지식을 통합할 경우 후행 예측 성능에 어떤 영향을 미치는가?
• RQ3 생성된 뇌 네트워크가 생물학적으로 관련성이 있는 영역을 부각시키고 예측 결정에 대한 설명 가능한 통찰을 제공할 수 있는가?
• RQ4 성능 및 희박성 측면에서 TBDS는 상관관계 기반 및 학습 가능한 기준 방법들과 비교해 어떻게 성능을 내는가?
• RQ5 각 구성 요소(예: 대조 손실, 불확실성 재가중)가 전체 모델의 효과성에 기여하는 정도는 어떠한가?

주요 결과

• TBDS는 엔드 투 엔드 학습이 아닌 경우 평균 2.2% 성능 향상을 달성하여 공동 최적화의 이점을 입증한다.
• 교차 엔트로피 또는 대조 손실을 제거할 경우 성능 저하가 발생함으로써, 이들 손실이 예측 및 표현 지식을 포괄하는 데 핵심적인 역할을 한다는 점을 확인한다.
• 불확실성 기반 재가중 전략은 강인성 향상과 과적합 감소에 기여하여 더 나은 일반화 성능을 이끌어낸다.
• TBDS는 피어슨 상관계수 또는 FBNetGen보다 훨씬 더 희박한 뇌 네트워크를 생성하며, 대부분의 간선 가중치가 0에 가까워져 후행 계산 비용을 감소시킨다.
• 시각화 결과는 TBDS가 기본 모드 네트워크, 청각 및 시각 네트워크에서 성별 구분에 기여하는 연결을 부각시키며, 이는 이전 신경과학 연구 결과와 일치한다.
• TBDS는 ABCD 및 PNC 데이터셋에서 모두 최신 기술 수준의 성능을 달성하였으며, 임무 특화 연결 패턴을 통해 강력한 설명 가능성을 확보하였다.