[論文レビュー] Multiplex Graph Networks for Multimodal Brain Network Analysis

Zhaoming Kong, Lichao Sun+4 more|arXiv (Cornell University)|Jul 31, 2021

Functional Brain Connectivity Studies参考文献 41被引用数 5

ひとこと要約

本稿では、グラフ構造の事前知識を必要とせずに、マルチモodal脳ネットワークにおける共有およびモダリティ固有のグラフ構造を学習するためのマルチプレックスグラフ畳み込みネットワーク、MGNetを提案する。多線形テンソル投影を活用してグラフ構造を導出し、複数のモダリティに跨るGCNを統合することで、HIV、双極性障害、PPMIデータセットからの脳ネットワークデータ分類において最先端の性能を達成した。

ABSTRACT

In this paper, we propose MGNet, a simple and effective multiplex graph convolutional network (GCN) model for multimodal brain network analysis. The proposed method integrates tensor representation into the multiplex GCN model to extract the latent structures of a set of multimodal brain networks, which allows an intuitive 'grasping' of the common space for multimodal data. Multimodal representations are then generated with multiplex GCNs to capture specific graph structures. We conduct classification task on two challenging real-world datasets (HIV and Bipolar disorder), and the proposed MGNet demonstrates state-of-the-art performance compared to competitive benchmark methods. Apart from objective evaluations, this study may bear special significance upon network theory to the understanding of human connectome in different modalities. The code is available at https://github.com/ZhaomingKong/MGNets.

研究の動機と目的

• 既知のグラフ構造（隣接行列）が通常入手できないマルチモダリティ脳ネットワーク解析の課題に対処すること。
• マルチモダリティ脳ネットワークにおける共有およびモダリティ固有のグラフ構造を統合的にモデル化する統一フレームワークの構築。
• グラフ構築にあたり、領域の選択（ROIs）や幾何的座標といった事前知識への依存を排除すること。
• 小規模で現実世界の神経画像データセットにおける表現学習および疾患分類性能の向上。
• 固有のテンソル構造を有するマルチグラフ・マルチモダリティデータに一般化可能なGCNベースのモデルの提供。

提案手法

• 被験者およびモダリティに跨るマルチモダリティ脳ネットワークを4次元テンソルに積み重ね、構造的同形性を活用する。
• 多線形テンソル投影を用いて、事前定義された隣接行列を避けて、4次元テンソルからの直接的なグラフ構造学習（射影追求による）。
• 複数のモダリティに跨る複数のGCNモデルを統合しつつ、モダリティ固有の特徴を保持する、新規のテンソル形式のGCNを導入。
• ノードレベルの自己類似性を捉えるために、学習可能な射影行列 $\mathbf{U}_1$ を採用し、表現学習を強化。
• 被験者間のノードレベル類似性をモデル化する均一な集約関数により、グラフ埋め込みを生成。
• モダリティ主導の影響を評価するため、平均プーリングなどのモダリティ固有のプーリング戦略を検証。

実験結果

リサーチクエスチョン

• RQ1 事前グラフトポロジーが与えられていない状況下でも、マルチプレックスGCNモデルが共有およびモダリティ固有のグラフ構造を効果的に学習できるか？
• RQ2 事前定義された隣接行列に依存する手法と比較して、テンソルベースの多線形射影はどのようにグラフ構造学習を改善するか？
• RQ3 提案されたMGNetモデルは、マルチモダリティ脳ネットワークを用いた神経疾患分類において、既存のSOTA手法をどの程度上回るか？
• RQ4 学習されたグラフ埋め込みは、HIVおよび双極性障害における臨床的に関連する神経解剖学的パターンをどの程度反映しているか？
• RQ5 モダリティ固有のプーリングおよび特徴射影（$\mathbf{U}_1$）は、モデルの性能および一般化能力にどの程度寄与しているか？

主な発見

• HIVデータセットでは、MGNetが平均81.39% ± 13.41の精度を達成し、ベースライン手法を上回った。
• 双極性障害データセットでは、MGNetが67.78% ± 12.28の精度を達成し、複雑な神経精神的疾患においても強力な性能を示した。
• PPMIデータセットでは、MGNetが66.62% ± 7.87の精度に達し、多様な臨床被験者集団においても堅牢性を示した。
• $\mathbf{U}_1^T\mathbf{X}_{ms}$ 射影の使用により、被験者間でより一貫したパターンが得られ、ノードレベル自己類似性のモデリングが向上した。
• t-SNE可視化により、MGNetはMVGCNや標準GCNと比較して、より分離され、ラベルに整合したグラフ埋め込みを学習していることが確認された。
• 臨床的特徴の可視化から、患者ではノード埋め込みと負の相関が観察された一方、対照群では正の相関が見られ、注意および実行機能障害の既知の機能的障害と整合した。