[論文レビュー] Similarity Learning with Higher-Order Proximity 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 25被引用数 7

ひとこと要約

本論文では、fMRI由来の脳ネットワークにおける高次近接性を活用することで、脳の健康状態や認知機能予測のための類似度推定を向上させる、グラフベースの類似度学習フレームワークであるMulti-hop Siamese GCNを提案する。4つの実際のfMRIデータセットにおいて、PCAと比較して平均82.6%、S-GCNと比較して平均42%のAUC向上を達成し、臨床的脳ネットワーク解析における強力な潜在的可能性を示している。

ABSTRACT

In recent years, the similarity learning problem has been widely studied. Most of the existing works focus on images and few of these works could be applied to learn similarity between neuroimages, such as fMRI images and DTI images, which are important data sources for human brain analysis. In this paper, we focus on the similarity learning for fMRI brain network analysis. We propose a general framework called Siamese for similarity learning on graphs. This framework provides options for refining the graph representations with high-order structure information, thus can be used for graph similarity learning on various brain network data sets. We apply the proposed Multi-hop Siamese GCN approach on four real fMRI brain network datasets for similarity learning with respect to brain health status and cognitive abilities. Our proposed method achieves an average AUC gain of 82.6% compared to PCA, and an average AUC gain of 42% compared to S-GCN across a variety of datasets, indicating its promising learning ability for clinical investigation and brain disease diagnosis.

研究の動機と目的

• 神経画像データ、特にfMRIおよびDTI脳ネットワークに特化した有効な類似度学習手法の不足に対処すること。
• 直近の隣接ノードを超えた高次構造的近接性を組み込むことで、脳ネットワークの表現を向上させること。
• 多様なfMRI脳ネットワークデータセットに適用可能な一般化可能なグラフ類似度学習フレームワークの開発。
• 脳ネットワーク類似度からの脳の健康状態および認知機能の正確な予測を可能にすることで、臨床的関連性を高めること。

提案手法

• ノードまたはグラフ間の類似度を学習できるように、fMRI脳ネットワークのグラフ構造に特化したSiameseネットワークアーキテクチャを提案する。
• 一次近隣ノードを超える多ホップ接続をモデル化することで、グラフ畳み込みネットワーク（GCNs）に高次近接性を統合する。
• 脳ネットワークトポロジー内の長距離依存関係を捉えることができる学習可能な集約メカニズムを用いて、グラフ表現を精緻化する。
• 関連するおよび関係のない脳ネットワークサンプル間の類似度スコアを最適化するために、コントラスト損失を用いてSiamese GCNを訓練する。
• Multi-hop Siamese GCNを4つの実際のfMRIデータセットに適用し、類似度学習タスクにおける性能を評価する。
• Siamese GCNから得られるグラフレベルの表現を、脳の健康状態および認知機能の下流分類タスクに応用する。

実験結果

リサーチクエスチョン

• RQ1 脳ネットワークにおける高次近接性は、fMRIデータの類似度学習性能を顕著に向上させるか？
• RQ2 提案されたMulti-hop Siamese GCNは、従来の次元削減手法（例：PCA）および最先端のグラフベースモデル（例：S-GCN）と比較して、類似度学習でどのように優れているか？
• RQ3 このフレームワークは、多様なfMRI脳ネットワークデータセットにわたって、臨床予測タスクにどの程度一般化可能か？
• RQ4 多ホップ構造的情報の統合は、脳の健康状態および認知機能分類のためのより判別力のある表現をもたらすか？

主な発見

• 提案されたMulti-hop Siamese GCNは、4つのfMRIデータセットにおいてPCAと比較して平均82.6%のAUC向上を達成し、類似度学習における顕著な改善を示している。
• 本手法はS-GCNと比較して平均42%のAUC向上を記録しており、複雑な脳ネットワーク構造をモデル化する優位性を示している。
• 高次近接性の統合は、臨床的予測のための学習済みグラフ表現の判別力の向上に顕著に寄与している。
• フレームワークは多様なfMRI脳ネットワークデータセットにわたって良好に一般化しており、実臨床研究への適用可能性を裏付けている。
• 脳ネットワークにおける長距離構造的依存関係のモデル化が、神経画像における正確な類似度推定に不可欠であることが示唆されている。
• 本フレームワークは、グラフベースの類似度学習を用いた脳疾患の診断や認知機能のモニタリングにおいて、強力な応用可能性を示している。