[論文レビュー] Similarity Learning with Higher-Order Graph Convolutions for Brain Network Analysis

Guixiang Ma, Nesreen K. Ahmed+5 more|arXiv (Cornell University)|Nov 2, 2018

Functional Brain Connectivity Studies参考文献 53被引用数 13

ひとこと要約

本稿では、fMRI由来の脳機能結合ネットワークにおけるコミュニティ構造を捉えるために高次グラフ畳み込みを用いるエンドツーエンドの類似度学習フレームワーク、Higher-order Siamese GCN (HS-GCN) を提案する。ランダムウォークに基づく高次近接性をシアンズグラフ畳み込みネットワークに組み込むことで、4つのfMRIデータセットにおいてPCAに比べ75%の平均AUC向上、Spectral Embeddingに比べ65.5%の向上を達成し、状態を凌駕する性能を示した。

ABSTRACT

Learning a similarity metric has gained much attention recently, where the goal is to learn a function that maps input patterns to a target space while preserving the semantic distance in the input space. While most related work focused on images, we focus instead on learning a similarity metric for neuroimages, such as fMRI and DTI images. We propose an end-to-end similarity learning framework called Higher-order Siamese GCN for multi-subject fMRI data analysis. The proposed framework learns the brain network representations via a supervised metric-based approach with siamese neural networks using two graph convolutional networks as the twin networks. Our proposed framework performs higher-order convolutions by incorporating higher-order proximity in graph convolutional networks to characterize and learn the community structure in brain connectivity networks. To the best of our knowledge, this is the first community-preserving similarity learning framework for multi-subject brain network analysis. Experimental results on four real fMRI datasets demonstrate the potential use cases of the proposed framework for multi-subject brain analysis in health and neuropsychiatric disorders. Our proposed approach achieves an average AUC gain of 75% compared to PCA, an average AUC gain of 65.5% compared to Spectral Embedding, and an average AUC gain of 24.3% compared to S-GCN across the four datasets, indicating promising application in clinical investigation and brain disease diagnosis.

研究の動機と目的

• マルチサブジェクトfMRIデータに対するコミュニティを保全する類似度学習フレームワークの不足に応えること。
• コミュニティ構造および長距離機能的結合構造を反映する高次近接性を捉えることで、脳ネットワーク表現学習を向上させること。
• エンドツーエンドのシアンズGCNフレームワークを構築し、脳ネットワークの判別的特徴量と類似度メトリクスを同時に学習すること。
• 機能的結合パターンを用いて健康および神経精神疾患の被験者をより正確に分類・クラスタリングすることを可能にすること。
• 従来のGCNおよびグラフ埋め込み手法が脳ネットワークにおけるコミュニティ構造を保全できないという限界を克服すること。

提案手法

• 同一の高次グラフ畳み込みネットワーク（GCN）を二重に持つシアンズニューラルネットワークアーキテクチャを採用し、二重エンコーダーとして機能させる。
• 脳機能結合グラフ上でランダムウォークを実行し、長距離およびコミュニティレベルの構造的関係を捉えるために高次近接性を導入する。
• ランダムウォークシーケンスにスライディングウインドウを適用し、グラフ畳み込み処理に用いる高次構造的パターンを抽出する。
• グラフラプラシアンとスペクトルフィルタリングを活用して、高次近接性表現に対する畳み込みを実行し、コミュニティ構造の学習を強化する。
• 異なるクラスペア間の類似度を最小化し、同じクラスペア間の類似度を最大化する対照的損失関数を用いて、モデルをエンドツーエンドで訓練する。
• 学習されたメトリクスを用いて、機能的結合ネットワーク類似度に基づき被験者ペアの分類を実行する。

実験結果

リサーチクエスチョン

• RQ1 標準的なGCNと比較して、高次グラフ畳み込みはfMRI由来の脳機能結合ネットワークにおける類似度学習をどのように改善するか？
• RQ2 ランダムウォークに基づく高次近接性は、類似度学習の文脈で脳ネットワークにおけるコミュニティ構造をどの程度効果的に捉えることができるか？
• RQ3 提案されたHS-GCNフレームワークは、PCA、Spectral Embedding、S-GCNといった既存のベースラインを上回る性能を示すか？
• RQ4 コミュニティ構造を保全することで、臨床応用における脳ネットワーク表現の判別力はどの程度向上するか？
• RQ5 ウォーク長やウインドウサイズといったハイパーパrameterは、高次GCNの類似度学習性能にどのように影響を与えるか？

主な発見

• HS-GCNは4つの実際のfMRIデータセットにおいてPCAに比べ平均75%のAUC向上を達成し、ペア分類において優れた性能を示した。
• Spectral Embeddingに比べ平均65.5%のAUC向上を記録し、脳ネットワークにおける類似度推定の顕著な改善を示した。
• S-GCNに比べ平均24.3%のAUC向上を示し、脳ネットワーク解析におけるGCNに高次近接性を組み込む利点を強力に裏付けた。
• 高次畳み込みの使用により、健康と障害を区別する上で極めて重要なコミュニティ構造および長距離機能的結合が効果的に捉えられた。
• パラメータ感度分析の結果、ウォーク長およびウインドウサイズは性能に顕著な影響を及ぼし、最適値はグラフのスケールおよび密度に依存することが判明した。
• エンドツーエンドのトレーニング戦略により、特徴量学習と類似度メトリクスの共同最適化が可能となり、段階的アプローチに比べより判別力の高い表現が得られた。