[논문 리뷰] Graph Neural Networks in Network Neuroscience

Alaa Bessadok, Mohamed Ali Mahjoub외 1명|arXiv (Cornell University)|2021. 06. 07.

Functional Brain Connectivity Studies인용 수 5

한 줄 요약

이 논문은 뇌 영상 데이터에서 유도된 뇌 그래프를 모델링하기 위한 그래프 신경망(GNN) 기반 방법을 검토하며, 결손 그래프 복원, 질병 분류, 다중모odal 연결망 통합과 같은 과제에서의 효과성을 입증한다. 또한 GNN이 시간, 해상도, 뇌영상 모odal 간 복잡한 뇌 네트워크 구조를 학습하는 데 있어 최신 기술 수준의 성능을 보임을 강조한다.

ABSTRACT

Noninvasive medical neuroimaging has yielded many discoveries about the brain connectivity. Several substantial techniques mapping morphological, structural and functional brain connectivities were developed to create a comprehensive road map of neuronal activities in the human brain -namely brain graph. Relying on its non-Euclidean data type, graph neural network (GNN) provides a clever way of learning the deep graph structure and it is rapidly becoming the state-of-the-art leading to enhanced performance in various network neuroscience tasks. Here we review current GNN-based methods, highlighting the ways that they have been used in several applications related to brain graphs such as missing brain graph synthesis and disease classification. We conclude by charting a path toward a better application of GNN models in network neuroscience field for neurological disorder diagnosis and population graph integration. The list of papers cited in our work is available at https://github.com/basiralab/GNNs-in-Network-Neuroscience.

연구 동기 및 목표

• 다양한 뇌영상 모달 간 뇌 그래프를 모델링하기 위한 현재의 GNN 기반 방법을 조사하기 위해.
• 결손 또는 희박한 연결망 데이터 문제를 해결하기 위해 고해상도, 시간적, 다중모달 뇌 네트워크를 합성하는 그래프 생성 모델을 검토하기 위해.
• GNN의 네트워크 신경과학 응용에서의 주요 격차를 특정하기 위해, 소수 학습, 모델 해석 가능성, 코르티컬 표면 데이터에 대한 확장성 등을 포함하여.
• 향후 신경질환 진단 향상을 위해 시간, 해상도, 영역 축을 통합하는 통합 프레임워크를 제안하기 위해.
• 연결망학에서 GNN 모델 선택, 설명 가능성, 기존 기계학습 방법과의 비교 분석에 대한 향후 연구를 자극하기 위해.

제안 방법

• T1 강조, 확산 강조, 휴식 상태 fMRI 데이터에서 유도된 뇌 그래프로부터 깊은 구조적 표현을 학습하기 위해 그래프 신경망(GNN)을 활용한다.
• GCN 및 GAN 기반 프레임워크와 함께 중심성, 모듈성, 허브성과 같은 그래프 성질을 유지하기 위해 위상적 손실 항목을 적용한다.
• 제한된 입력 데이터로부터 통합된 뇌 연결망을 생성하기 위해 다중모달, 다중해상도, 시간적 그래프 합성 기법을 활용한다.
• 일관성 있는 일반화 및 구조적 정확성을 향상시키기 위해 그래프 이론 지표(예: 가까움, 중심성)를 손실 함수에 정규화로 통합한다.
• FSL, FreeSurfer, CONN 등의 도구를 사용한 HCP, BCP, CRHD 등의 기존 연결망 데이터셋과 그 전처리 파ip라인을 검토한다.
• 향후 방향으로 소수 학습, 코르티컬 표면 메쉬에 대한 GNN 적용, 그리고 향상된 진단 성능를 위한 하이브리드 그래프-다양체 학습을 제안한다.

실험 결과

연구 질문

• RQ1 GNN은 어떤 방식으로 다양한 뇌영상 모달, 시간 지점, 공간 해상도 간 뇌 그래프를 효과적으로 모델링하고 합성할 수 있는가?
• RQ2 위상적 손실 함수(예: 중심성 기반)는 뇌 그래프 학습 과제에서 GNN 성능 향상에 어떤 역할을 하는가?
• RQ3 제한된 연결망 데이터를 바탕으로 한 소수 학습 설정에서 GNN은 어느 정도 일반화될 수 있는가?
• RQ4 뇌 그래프를 사용한 뇌질환 진단에서 GNN은 기존 기계학습 방법과 어떻게 비교되는가?
• RQ5 GNN은 코르티컬 표면 메쉬와 같은 비그래프 뇌 표현에서 효과적으로 학습할 수 있는가?

주요 결과

• GNN 기반 모델은 중심성 측정과 같은 위상 제약 조건을 통합할 경우 뇌 그래프 분류 및 합성 과제에서 최신 기술 수준의 성능를 달성한다.
• 위상적 손실 항목을 포함한 GAN 기반 GNN 프레임워크는 모듈성 및 허브성을 포함한 핵심 그래프 성질을 유지함으로써 표준 GNN보다 뛰어난 성능을 보인다.
• 검토된 GCN 기반 연구의 50% 이상이 고유한 손실 함수를 갖춘 GAN을 사용하여, 연결망학에서 결손 데이터 복원을 위한 생성 모델링 추세를 보여준다.
• 소수 학습 설정에서 현재 GNN 모델은 임상적 응용에서 환자 데이터가 제한된 경우 잠재력을 지녀도 여전히 활용이 부족하다.
• 뇌 그래프 분석에서 GNN을 다른 기계학습 방법과 비교 평가하는 연구가 부족하여 중요한 연구 격차를 드러낸다.
• 코르티컬 표면 메쉬에 GNN을 확장하는 것은 원칙적으로 가능하지만, 특히 CNN 기반 메쉬 학습과 비교할 때 확장성 및 견고성에 대한 추가 연구가 필요하다.