[논문 리뷰] Similarity Learning with Higher-Order Proximity for Brain Network Analysis.

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

Functional Brain Connectivity Studies참고 문헌 25인용 수 7

한 줄 요약

이 논문은 fMRI 유래 뇌 네트워크에서 고차원 근접성을 활용하여 뇌 건강 및 인지 능력 예측을 위한 유사도 추정을 향상시키는 그래프 기반의 유사도 학습 프레임워크인 Multi-hop Siamese GCN을 제안한다. 네 개의 실제 fMRI 데이터셋에서 PCA 대비 평균 AUC 향상률 82.6%와 S-GCN 대비 42%를 기록하여 임상적 뇌 네트워크 분석에 강력한 잠재력을 보여준다.

ABSTRACT

In recent years, the similarity learning problem has been widely studied. Most of the existing works focus on images and few of these works could be applied to learn similarity between neuroimages, such as fMRI images and DTI images, which are important data sources for human brain analysis. In this paper, we focus on the similarity learning for fMRI brain network analysis. We propose a general framework called Siamese for similarity learning on graphs. This framework provides options for refining the graph representations with high-order structure information, thus can be used for graph similarity learning on various brain network data sets. We apply the proposed Multi-hop Siamese GCN approach on four real fMRI brain network datasets for similarity learning with respect to brain health status and cognitive abilities. Our proposed method achieves an average AUC gain of 82.6% compared to PCA, and an average AUC gain of 42% compared to S-GCN across a variety of datasets, indicating its promising learning ability for clinical investigation and brain disease diagnosis.

연구 동기 및 목표

• 특히 fMRI 및 DTI 뇌 네트워크를 대상으로 한 효과적인 유사도 학습 방법의 부족을 해결한다.
• 즉각적인 이웃을 초월한 고차원 구조적 근접성을 통합하여 뇌 네트워크의 표현을 향상시킨다.
• 다양한 fMRI 뇌 네트워크 데이터셋에 적용 가능한 일반화 가능한 그래프 유사도 학습 프레임워크를 개발한다.
• 뇌 네트워크 유사도를 통한 뇌 건강 상태 및 인지 능력 정확한 예측을 가능하게 하여 임상적 관련성을 강화한다.

제안 방법

• 노드 또는 그래프 간의 유사도를 학습하기 위해 fMRI 뇌 네트워크의 그래프 구조에 특화된 Siamese 네트워크 아키텍처를 제안한다.
• 일차 이웃을 초월한 다단계 연결을 모델링하여 고차원 근접성을 그래프 컨volutional 네트워크(GCN)에 통합한다.
• 뇌 네트워크 구조의 장거리 의존성을 포착하는 학습 가능한 집계 메커니즘을 통해 그래프 표현을 개선한다.
• 유사한 및 비유사한 뇌 네트워크 샘플 간의 유사도 점수를 최적화하기 위해 대비 손실(contrastive loss)을 사용하여 Siamese GCN을 훈련한다.
• 유사도 학습 작업의 성능을 평가하기 위해 Multi-hop Siamese GCN을 네 개의 실제 fMRI 데이터셋에 적용한다.
• Siamese GCN에서 유도된 그래프 수준의 표현을 사용하여 뇌 건강 및 인지 기능의 후행 분류 작업을 수행한다.

실험 결과

연구 질문

• RQ1 뇌 네트워크에서 고차원 근접성이 fMRI 데이터의 유사도 학습 성능을 상당히 향상시킬 수 있는가?
• RQ2 기존의 차원 축소 기법(PCA 등)과 최신 그래프 기반 모델(S-GCN 등)에 비해 제안된 Multi-hop Siamese GCN은 어떻게 성능을 비교하는가?
• RQ3 다양한 fMRI 뇌 네트워크 데이터셋 간에 이 프레임워크는 임상 예측 작업에 얼마나 잘 일반화되는가?
• RQ4 다단계 구조적 정보를 통합함으로써 뇌 건강 및 인지 능력 분류에 더 구분력 있는 표현이 도출되는가?

주요 결과

• 제안된 Multi-hop Siamese GCN는 네 개의 fMRI 데이터셋에서 PCA 대비 평균 AUC 향상률 82.6%를 기록하여 유사도 학습의 상당한 향상을 보여준다.
• S-GCN 대비 평균 AUC 향상률 42%를 기록하여 복잡한 뇌 네트워크 구조를 모델링하는 데서의 우수성을 입증한다.
• 고차원 근접성의 통합은 임상 예측을 위한 학습된 그래프 표현의 구분 능력을 상당히 향상시킨다.
• 프레임워크는 다양한 fMRI 뇌 네트워크 데이터셋 간에 잘 일반화되어 실제 임상 연구에의 적용 가능성을 뒷받침한다.
• 뇌 네트워크에서 장거리 구조적 의존성을 모델링하는 것이 신경영상에서 정확한 유사도 추정에 필수적임을 시사한다.
• 그래프 기반의 유사도 학습을 통한 뇌 질환 진단 및 인지 기능 모니터링 분야에서 강력한 잠재력을 보여준다.