[논문 리뷰] Graph Autoencoders for Embedding Learning in Brain Networks and Major Depressive Disorder Identification

Fuad Noman, Chee‐Ming Ting외 5명|arXiv (Cornell University)|2021. 07. 27.

Functional Brain Connectivity Studies인용 수 8

한 줄 요약

이 논문은 주요 우울 장애(MDD) 분류를 위해 fMRI 유래 뇌 기능적 연결성(FC) 네트워크에서 저차원의 위상정보를 반영한 임베딩을 학습하기 위해 그래프 자동에코더(GAE)와 그래프 컬러지언트 네트워크(GCNs)를 통합한 방법을 제안한다. 이 방법은 최신 기술 대비 뚜렷한 성능 향상을 보이며, Ledoit-Wolf 스 hrinkage 기반의 FC 추정을 사용한 비지도 학습 GAE-FCNN로 REST-meta-MDD 데이터셋에서 65.07%의 정확도를 달성한다.

ABSTRACT

Brain functional connectivity (FC) reveals biomarkers for identification of various neuropsychiatric disorders. Recent application of deep neural networks (DNNs) to connectome-based classification mostly relies on traditional convolutional neural networks using input connectivity matrices on a regular Euclidean grid. We propose a graph deep learning framework to incorporate the non-Euclidean information about graph structure for classifying functional magnetic resonance imaging (fMRI)-derived brain networks in major depressive disorder (MDD). We design a novel graph autoencoder (GAE) architecture based on the graph convolutional networks (GCNs) to embed the topological structure and node content of large-sized fMRI networks into low-dimensional latent representations. In network construction, we employ the Ledoit-Wolf (LDW) shrinkage method to estimate the high-dimensional FC metrics efficiently from fMRI data. We consider both supervised and unsupervised approaches for the graph embedding learning. The learned embeddings are then used as feature inputs for a deep fully-connected neural network (FCNN) to discriminate MDD from healthy controls. Evaluated on two resting-state fMRI (rs-fMRI) MDD datasets, results show that the proposed GAE-FCNN model significantly outperforms several state-of-the-art methods for brain connectome classification, achieving the best accuracy using the LDW-FC edges as node features. The graph embeddings of fMRI FC networks learned by the GAE also reveal apparent group differences between MDD and HC. Our new framework demonstrates feasibility of learning graph embeddings on brain networks to provide discriminative information for diagnosis of brain disorders.

연구 동기 및 목표

• 뇌 기능적 연결성(FC) 네트워크의 비유클리드 위상적 구조를 포착하지 못하는 유클리드 딥 러닝 모델의 한계를 해결하기 위해.
• 노드 특징과 네트워크 위상 구조를 동시에 모델링하는 그래프 딥 러닝 프레임워크를 개발하여 MDD 분류 성능을 향상시키기 위해.
• 실제의 rs-fMRI 데이터에서 MDD 및 건강 대조군(HC) 참가자로부터 학습된 GAE를 통한 그래프 임베딩의 분류 능력을 평가하기 위해.
• 연결망 기반 분류를 위한 지도 학습 및 비지도 학습 그래프 임베딩 학습 전략을 비교하기 위해.
• 제안된 프레임워크를 사용하여 다양한 뇌 파라셀레이션 어트라스가 분류 성능에 미치는 영향을 평가하기 위해.

제안 방법

• 편안한 상태 fMRI(rs-fMRI) 데이터로부터 고차원 기능적 연결성(FC) 행렬을 효율적으로 추정하기 위해 Ledoit-Wolf(LDW) 스 hrinkage 방법을 적용한다.
• 노드 콘텐츠와 뇌 네트워크의 위상적 구조를 모두 코딩하는 저차원 잠재 표현을 학습하기 위해 그래프 컬러지언트 네트워크(GCNs) 기반의 새로운 그래프 자동에코더(GAE)를 설계한다.
• 학습된 GAE 임베딩을 딥 완전 연결 신경망(FCNN)의 입력 특징으로 사용하여 MDD 대 HC 분류를 수행한다.
• 비지도 GAE와 지도 학습 GCN-FCNN 변종을 모두 적용하며, 베이지안 최적화를 통한 층 수, 차원 수, 드롭아웃 비율, 학습률 등의 하이퍼파라미터를 탐색한다.
• 여러 뇌 파라셀레이션 어트라스(AAL, Harvard-Oxford, Power)를 대상으로 성능을 평가하며, 표준 지표를 사용한 5겹 교차 검증을 수행한다.
• 최종 분류기의 강건성을 평가하기 위해 GCN-FCNN 파이프라인 내에서 다중 집계 함수(플래튼, 평균, 최대값, 합계)를 통합한다.

Figure 1: The architecture of proposed GAE-FCNN framework for functional brain network classification. (a) Unsupervised model. The model consists of two components: A GAE employs a GCN-based encoder to encode fMRI connectome data (graph structure $\mathbf{A}$ & node content $\mathbf{X}$ ) into laten

실험 결과

연구 질문

• RQ1 그래프 자동에코더는 fMRI 기반 뇌 기능적 연결성 네트워크에서 MDD 분류를 위해 효과적으로 분류 가능한 저차원 임베딩을 학습할 수 있는가?
• RQ2 제안된 GAE-FCNN 프레임워크는 CNN 및 전통적 분류기와 같은 최신 기술 대비 rs-fMRI MDD 데이터셋에서 어떤 성능을 보이는가?
• RQ3 GAE를 통한 비지도 사전 훈련이 지도 학습 GCN-FCNN 또는 엔드 투 엔드 훈련 대비 후속 분류 성능 향상에 기여하는가?
• RQ4 AAL, Harvard-Oxford, Power 중 어떤 뇌 파라셀레이션 어트라스가 제안된 방법을 사용할 때 MDD 분류에 가장 분류 능력이 뛰어난 FC 네트워크를 제공하는가?
• RQ5 학습된 그래프 임베딩은 MDD 및 건강 대조군 참가자 간 생물학적으로 의미 있는 그룹 간 차이를 드러내는가?

주요 결과

• 비지도 GAE-FCNN 모델이 REST-meta-MDD 데이터셋에서 65.07% ± 5.56의 최고 분류 정확도를 기록하며, SVM-RBF(62.67%), BrainNetCNN(60.53%) 및 기타 GCN 기반 모델을 뛰어넘었다.
• 제안된 방법은 높은 민감도(69.74%)와 특이도(60.00%)를 기반으로 67.29%의 균형 잼 F1 스코어를 달성하여 강력한 일반화 능력과 강건성을 보였다.
• AAL-116 어트라스가 모든 방법에서 최고의 분류 성능을 보였으며, 이는 해부학적 ROI가 기능적 또는 어트라스 기반 ROI보다 더 분류 능력 있는 특징을 제공할 수 있음을 시사한다.
• GAE에 의해 학습된 그래프 임베딩은 MDD와 HC 그룹 간 명확한 위상적 차이를 드러내어 생물학적 관련성과 분류 능력을 뒷받침한다.
• 비지도 GAE-FCNN는 지도 학습 GCN-FCNN(59.47% 정확도)조차도 뛰어넘어, 레이블 없이도 그래프 구조를 사전 훈련하는 것이 가치가 있음을 입증한다.
• 다양한 평가 지표와 다양한 파라셀레이션 방식에 대해 일관된 성능 향상을 보이며, 이는 제안된 방법이 잘 일반화된다는 것을 입증한다.

Figure 2: The learning curve as a function of training epochs and reconstruction loss of the GAE model.