[논문 리뷰] Understanding Graph Isomorphism Network for rs-fMRI Functional Connectivity Analysis

Byung-Hoon Kim, Jong Chul Ye|arXiv (Cornell University)|2020. 01. 10.

Functional Brain Connectivity Studies참고 문헌 56인용 수 6

한 줄 요약

이 논문은 휴식 상태 fMRI에서 기능적 연결성 분석을 위한 설명 가능한 그래프 이sov머피즘 네트워크(GIN) 기반 프레임워크를 제안하며, one-hot 노드 인코딩을 활용해 신경과학적으로 해석 가능한 뇌 영역을 시각화하기 위해 Grad-CAM을 적용한다. 분류 성능이 뛰어나고, 알려진 성별 차이와 일치하는 사전 지도를 제공한다.

ABSTRACT

Graph neural networks (GNN) rely on graph operations that include neural network training for various graph related tasks. Recently, several attempts have been made to apply the GNNs to functional magnetic resonance image (fMRI) data. Despite recent progresses, a common limitation is its difficulty to explain the classification results in a neuroscientifically explainable way. Here, we develop a framework for analyzing the fMRI data using the Graph Isomorphism Network (GIN), which was recently proposed as a powerful GNN for graph classification. One of the important contributions of this paper is the observation that the GIN is a dual representation of convolutional neural network (CNN) in the graph space where the shift operation is defined using the adjacency matrix. This understanding enables us to exploit CNN-based saliency map techniques for the GNN, which we tailor to the proposed GIN with one-hot encoding, to visualize the important regions of the brain. We validate our proposed framework using large-scale resting-state fMRI (rs-fMRI) data for classifying the sex of the subject based on the graph structure of the brain. The experiment was consistent with our expectation such that the obtained saliency map show high correspondence with previous neuroimaging evidences related to sex differences.

연구 동기 및 목표

• fMRI 데이터에 적용된 그래프 신경망(GNN)의 신경과학적 해석 가능성 부족 문제를 해결하기 위해.
• CNN 기반 Grad-CAM 기법을 그래프 공간으로 확장하여 GNN에서 사전 지도 시각화를 가능하게 하기 위해.
• 그래프 구조를 가진 뇌 네트워크를 기반으로 대규모 휴식 상태 fMRI 데이터에서 성별 분류를 위해 프레임워크를 검증하기 위해.
• 뇌 영역(ROIs)의 one-hot 인코딩이 모델의 분류 능력과 사전 지도의 해석 가능성 향상에 기여함을 입증하기 위해.
• 이웃 행렬을 일반화된 이동 연산자로 사용하는 그래프 공간에서 CNN의 이중 표현으로서 GIN을 제시하기 위해.

제안 방법

• 이웃 행렬이 일반화된 이동 연산자로 작용하는 그래프 공간에서 CNN의 이중 표현으로 GIN을 수식화한다.
• 입력 레이어에서 one-hot 인코딩된 노드 특징에 Grad-CAM을 적용하여 GIN에 대해 기울기 가중치 클래스 활성화 맵(Grad-CAM)을 적응시킨다.
• 뇌 영역(ROIs)의 one-hot 인코딩을 통해 입력 노드 특징의 선형 독립성을 확보하여 분류 능력 손실를 방지한다.
• 기능적 연결성이 ROI 시간 시리즈 간 피어슨 상관계수로 계산되는 휴식 상태 fMRI 데이터에 GIN 모델을 적용한다.
• 단사적 집계, 결합, 읽기 함수를 사용한 GIN 아키텍처를 통해 피험자의 성별을 그래프 분류한다.
• GIN 모델을 통해 기울기를 역전파하여 분류에 기여하는 핵심 ROI를 식별하기 위해 사전 지도를 시각화한다.

실험 결과

연구 질문

• RQ1 GIN은 그래프 공간에서 CNN의 이중 표현으로 간주될 수 있는가? 이는 CNN 기반의 해석 도구(예: Grad-CAM)의 적용 가능성을 보장하는가?
• RQ2 뇌 ROIs의 one-hot 인코딩이 fMRI 분류에서 GIN의 분류 능력과 해석 가능성 향상에 기여하는가?
• RQ3 GIN에서 Grad-CAM을 통해 생성된 사전 지도가 휴식 상태 fMRI에서 성별 차이와 관련된 신경과학적으로 의미 있는 뇌 영역을 드러내는가?
• RQ4 기존 GNN 방법에 비해 제안된 GIN 기반 프레임워크는 분류 정확도와 해석 가능성 측면에서 어떻게 비교되는가?
• RQ5 대규모 휴식 상태 fMRI 데이터셋에 적용했을 때 GIN 모델의 성능과 해석 가능성은 얼마나 강인한가?

주요 결과

• GIN 모델은 휴식 상태 fMRI 그래프 데이터를 사용해 피험자의 성별을 구분하는 데 뛰어난 분류 성능를 보였다.
• one-hot 인코딩과 함께 Grad-CAM을 통해 생성된 사전 지도는 이전 신경영상 연구 결과와 일치하는 뇌 영역을 강조했다.
• one-hot 인코딩은 노드 특징의 선형 독립성을 확보하여 모델의 분류 능력을 유지하고 신뢰할 수 있는 사전 지도 시각화를 가능하게 했다.
• 이론적 프레임워크는 GIN이 이웃 행렬을 일반화된 이동 연산자로 사용하는 그래프 공간에서 CNN의 이중 표현으로 작동함을 입증했다.
• 사전 지도가 입력 레이어에서 계산되었을 때 가장 정보가 많았으며, 이는 GNN에서 특징 수준의 기여도 할당의 중요성을 확인했다.
• 이 방법은 GNN과 설명 가능한 AI를 신경영상 분야에서 효과적으로 연결하여 그래프 기반 fMRI 모델을 해석하는 데 실용적인 도구를 제공했다.