[논문 리뷰] Similarity Learning with Higher-Order Graph Convolutions for Brain Network Analysis

Guixiang Ma, Nesreen K. Ahmed외 5명|arXiv (Cornell University)|2018. 11. 02.

Functional Brain Connectivity Studies참고 문헌 53인용 수 13

한 줄 요약

이 논문은 fMRI 유래 뇌 기능 연결망에서 커뮤니티 구조를 포착하기 위해 고차수 그래프 컨볼루션을 사용하는 엔드 투 엔드 유사도 학습 프레임워크인 고차수 시아모이즈 GCN(HS-GCN)을 제안한다. 무작위 보행 기반의 고차수 유사도를 시아모이즈 그래프 컨볼루션 네트워크에 통합함으로써, 네 가지 fMRI 데이터셋을 대상으로 다중 피험자 뇌 네트워크 유사도 학습에서 최신 기술 수준의 성능을 달성하였으며, PCA 대비 평균 AUC 75% 향상과 스펙트럴 임bedding 대비 65.5% 향상을 기록하였다.

ABSTRACT

Learning a similarity metric has gained much attention recently, where the goal is to learn a function that maps input patterns to a target space while preserving the semantic distance in the input space. While most related work focused on images, we focus instead on learning a similarity metric for neuroimages, such as fMRI and DTI images. We propose an end-to-end similarity learning framework called Higher-order Siamese GCN for multi-subject fMRI data analysis. The proposed framework learns the brain network representations via a supervised metric-based approach with siamese neural networks using two graph convolutional networks as the twin networks. Our proposed framework performs higher-order convolutions by incorporating higher-order proximity in graph convolutional networks to characterize and learn the community structure in brain connectivity networks. To the best of our knowledge, this is the first community-preserving similarity learning framework for multi-subject brain network analysis. Experimental results on four real fMRI datasets demonstrate the potential use cases of the proposed framework for multi-subject brain analysis in health and neuropsychiatric disorders. Our proposed approach achieves an average AUC gain of 75% compared to PCA, an average AUC gain of 65.5% compared to Spectral Embedding, and an average AUC gain of 24.3% compared to S-GCN across the four datasets, indicating promising application in clinical investigation and brain disease diagnosis.

연구 동기 및 목표

• 다중 피험자 fMRI 데이터에 대한 커뮤니티 보존 유사도 학습 프레임워크의 부족을 보완하기 위해.
• 커뮤니티 및 장거리 기능 연결 구조를 반영하는 고차수 유사도를 포착함으로써 뇌 네트워크 표현 학습을 향상시키기 위해.
• 뇌 네트워크의 판별적 특징과 유사도 메트릭을 동시에 학습하는 엔드 투 엔드 시아모이즈 GCN 프레임워크를 개발하기 위해.
• 기능 연결 패턴을 기반으로 건강 및 정신신경질환 환자의 분류 및 군집을 더 정확히 수행하기 위해.
• 伝통적 GCN 및 그래프 임베딩 방법이 뇌 네트워크에서 커뮤니티 구조를 보존하지 못하는 한계를 극복하기 위해.

제안 방법

• 동일한 고차수 그래프 컨볼루션 네트워크(GCN)를 갖는 시아모이즈 신경망 아키텍처를 사용하여 쌍둥이 인코더로 구성한다.
• 뇌 기능 연결 그래프에서의 무작위 보행을 통해 고차수 유사도를 도입하여 장거리 및 커뮤니티 수준의 구조적 관계를 포착한다.
• 무작위 보행 시퀀스에 슬라이딩 윈도우를 적용하여 고차수 구조적 패턴을 추출하고, 그래프 컨볼루션 연산에 활용한다.
• 그래프 라플라시안과 스펙트럴 필터링을 활용하여 고차수 유사도 표현에 대한 컨볼루션을 수행함으로써 커뮤니티 구조 학습을 강화한다.
• 다른 클래스 쌍 간의 유사도를 최소화하고 같은 클래스 쌍 간의 유사도를 최대화하는 대비 손실(contrastive loss)을 사용하여 모델을 엔드 투 엔드로 훈련한다.
• 학습된 메트릭을 활용해 기능 연결 네트워크 유사도 기반으로 피험자 쌍을 분류한다.

실험 결과

연구 질문

• RQ1 표준 GCN 대비 fMRI 기반 뇌 기능 연결망에서 고차수 그래프 컨볼루션은 유사도 학습을 향상시키는가?
• RQ2 무작위 보행 기반 고차수 유사도는 뇌 네트워크에서 커뮤니티 구조를 얼마나 효과적으로 포착하여 유사도 학습에 기여하는가?
• RQ3 제안된 HS-GCN 프레임워크는 PCA, 스펙트럴 임베딩 및 S-GCN와 같은 기존 베이스라인을 초월하는가?
• RQ4 커뮤니티 구조를 보존함으로써 뇌 네트워크 표현의 판별 능력은 임상 적용에서 얼마나 향상되는가?
• RQ5 보행 길이 및 윈도우 크기와 같은 하이퍼파라미터는 고차수 GCN의 유사도 학습 성능에 어떤 영향을 미치는가?

주요 결과

• HS-GCN는 네 가지 실제 fMRI 데이터셋에서 PCA 대비 평균 AUC 75% 향상을 기록하여 쌍 분류에서 뛰어난 성능을 입증하였다.
• 프레임워크는 스펙트럴 임베딩 대비 평균 AUC 65.5% 향상을 기록하여 뇌 네트워크의 유사도 추정에서의 향상 정도를 나타내었다.
• HS-GCN는 S-GCN 대비 평균 AUC 24.3% 향상되었으며, 이는 GCN에 고차수 유사도를 통합함으로써 뇌 네트워크 분석에서의 이점이 있음을 강조한다.
• 고차수 컨볼루션의 사용은 커뮤니티 구조와 장거리 기능 연결을 효과적으로 포착하며, 이는 건강한 뇌 네트워크와 질환 상태의 뇌 네트워크를 구분하는 데 핵심적이다.
• 파라미터 민감도 분석 결과, 보행 길이와 윈도우 크기가 성능에 상당한 영향을 미치며, 최적의 값은 그래프의 규모와 조밀도에 따라 달라진다.
• 엔드 투 엔드 훈련 전략은 특징 학습과 유사도 메트릭의 공동 최적화를 가능하게 하여 단계별 접근 방식보다 더 판별력 있는 표현을 도출하였다.