[논문 리뷰] Multi-View Multi-Graph Embedding for Brain Network Clustering Analysis

Ye Liu, Lifang He외 4명|arXiv (Cornell University)|2018. 06. 19.

Functional Brain Connectivity Studies인용 수 8

한 줄 요약

이 논문은 부분 대칭 텐서로 다중 시각(fMRI 및 DTI) 뇌 네트워크를 함께 모델링하여 구조적이고 위상적 정보를 유지하는 텐서 기반 프레임워크인 다중 시각 다중 그래프 임베딩(M2E)을 제안한다. 텐서 분해와 다중 시각 간 공감대 정규화를 활용함으로써 M2E는 HIV 및 양극성 장애 데이터셋에서 단일 시각 및 벡터 기반 다중 시각 방법보다 뛰어난 클러스터링 성능를 달성하며, 생물학적으로 의미 있는 임베딩 패턴을 드러낸다.

ABSTRACT

Network analysis of human brain connectivity is critically important for understanding brain function and disease states. Embedding a brain network as a whole graph instance into a meaningful low-dimensional representation can be used to investigate disease mechanisms and inform therapeutic interventions. Moreover, by exploiting information from multiple neuroimaging modalities or views, we are able to obtain an embedding that is more useful than the embedding learned from an individual view. Therefore, multi-view multi-graph embedding becomes a crucial task. Currently, only a few studies have been devoted to this topic, and most of them focus on the vector-based strategy which will cause structural information contained in the original graphs lost. As a novel attempt to tackle this problem, we propose Multi-view Multi-graph Embedding (M2E) by stacking multi-graphs into multiple partially-symmetric tensors and using tensor techniques to simultaneously leverage the dependencies and correlations among multi-view and multi-graph brain networks. Extensive experiments on real HIV and bipolar disorder brain network datasets demonstrate the superior performance of M2E on clustering brain networks by leveraging the multi-view multi-graph interactions.

연구 동기 및 목표

• 기존 방법이 벡터화 과정에서 위상 정보를 상실함에 따라, 다중 시각 뇌 네트워크 분석에서 복잡한 그래프 구조를 유지하는 데 도전하는 것.
• fMRI 및 DTI와 같은 다중 신경영상 모odalities 간 상호보완적 정보를 통합하여 클러스터링 성능 향상.
• 텐서 기법을 사용하여 다중 그래프 및 다중 시각 간의 종속성을 동시에 모델링하는 통합 프레임워크 개발.
• 다른 뇌 네트워크 시각 간 공통된 잠재 클러스터링 구조를 포착하는 공감대 임베딩 학습.

제안 방법

• M2E는 다중 시각 다중 그래프 뇌 네트워크를 부분 대칭 텐서로 모델링하여 고유한 그래프 구조를 유지한다.
• 스택된 다중 그래프 텐서를 낮은 차원의 잠재 요인으로 분해하기 위해 텐서 분해를 적용한다.
• 다양한 시각 간 계수 행렬을 정렬하기 위해 공감대 정규화 항을 도입하여 공통 클러스터링 구조를 촉진한다.
• 최적화 프레임워크는 뇌 네트워크의 대칭성을 존중하며 효과적인 교대 최소 제곱 전략을 사용한다.
• 노드 수준의 임베딩(H^(v))과 그래프 수준의 임베딩(F^(v))을 다중 시각 간에 동시에 학습하며, F^(v)는 공통 공감대 F*로 정렬된다.
• 목적 함수는 재구성 오차와 정규화를 균형 잡으며, 하이퍼파ram터 λ₁, λ₂, R는 시각별 가중치와 임베딩 차원을 제어한다.

실험 결과

연구 질문

• RQ1 텐서 기반 다중 시각 다중 그래프 임베딩은 벡터 기반 접근 방식에서 손실된 구조적 정보를 유지할 수 있는가?
• RQ2 fMRI 및 DTI 데이터 통합은 단일 시각 방법에 비해 뇌 네트워크의 클러스터링 성능를 어떻게 향상시키는가?
• RQ3 임베딩 차원 R과 시각별 정규화 가중치 λ₁, λ₂의 클러스터링 정확도에 미치는 영향은 무엇인가?
• RQ4 학습된 공감대 그래프 임베딩은 뇌 네트워크 조직의 생물학적으로 의미 있는 패턴을 드러낼 수 있는가?
• RQ5 유도된 노드 및 그래프 임베딩은 HIV 및 양극성 장애 환자의 임상 표현형과 관련이 있는가?

주요 결과

• M2E는 HIV 및 양극성 장애 데이터셋 모두에서 최고의 클러스터링 정확도를 달성하였으며, HIV의 경우 R=7, 양극성 장애의 경우 R=12에서 최적 성능를 보였다.
• 기본 단일 시각 및 다중 시각 벡터 기반 임베딩 방법보다 유의미하게 뛰어난 성능를 보이며, 그래프 구조를 유지하는 데서 유의미한 이점이 있음을 입증하였다.
• 파rameter 민감도 분석 결과 성능는 λ₁ 및 λ₂에 민감하며, 최적 값은 시각별 기여도를 균형 잡는 데 기여하였다.
• H^(v)의 시각화는 fMRI 및 DTI에서 각각 독특한 신경해부학적 패턴을 확인하였으며, 모달리티에 특화된 기능적 및 구조적 서명을 확인하였다.
• F^(v) 요소는 대조군에서 임베딩 특징과 정적 상관관계를 보였고, 환자군은 부정적 상관관계를 보였으며, 인지 기능 저하의 임상 관찰과 일치하였다.
• fMRI 및 DTI 임베딩에서 특정 식별된 뇌 영역은 HIV에서 알려진 신경인지 결핍, 특히 전두엽 및 편측엽에서의 결핍과 일치하였다.