[论文解读] Spatio-Temporal Graph Convolution for Functional MRI Analysis.

Soham Gadgil, Qingyu Zhao+4 more|arXiv (Cornell University)|Mar 24, 2020

Functional Brain Connectivity Studies参考文献 21被引用 11

一句话总结

本文提出一种时空图卷积网络（ST-GCN），通过联合捕捉脑功能网络的拓扑结构与BOLD信号的时间动态特性，对静息态fMRI中的动态功能连接进行建模。该方法在从rs-fMRI数据预测年龄和性别方面表现出优越的准确性，并通过学习到的边重要性识别出具有显著性别和衰老效应的脑区及连接。

ABSTRACT

The BOLD signal of resting-state fMRI (rs-fMRI) records the functional brain connectivity in a rich dynamic spatio-temporal setting. However, existing methods applied to rs-fMRI often fail to consider both spatial and temporal characteristics of the data. They either neglect the functional dependency between different brain regions in a network or discard the information in the temporal dynamics of brain activity. To overcome those shortcomings, we propose to formulate functional connectivity networks within the context of spatio-temporal graphs. We then train a spatio-temporal graph convolutional network (ST-GCN) on short sub-sequences of the BOLD time series to model the non-stationary nature of functional connectivity. We simultaneously learn the graph edge importance within ST-GCN to enable interpretation of functional connectivities contributing to the prediction model. In analyzing the rs-fMRI of the Human Connectome Project (HCP, N=1,091) and the National Consortium on Alcohol and Neurodevelopment in Adolescence (NCANDA, N=773), ST-GCN is significantly more accurate than common approaches in predicting gender and age based on BOLD signals. The matrix recording edge importance localizes brain regions and functional connections with significant aging and sex effects, which are verified by the neuroscience literature.

研究动机与目标

• 解决现有fMRI分析方法无法联合建模空间功能连接与BOLD信号时间动态性的局限性。
• 开发一种深度学习框架，以捕捉rs-fMRI数据中功能连接的非平稳特性。
• 通过学习到的边重要性，实现在预测模型中对贡献脑区和连接的可解释性识别。

提出的方法

• 将功能连接网络表示为时空图，其中脑区作为节点，功能连接作为边。
• 在BOLD时间序列的短子序列上训练时空图卷积网络（ST-GCN），以建模动态连接模式。
• 在ST-GCN架构中学习边权重，以表示功能连接对预测任务的重要性。
• 使用图卷积层聚合脑区间的空间信息，同时保留时间演化特性。
• 端到端优化模型以用于回归或分类任务（例如预测年龄或性别），以BOLD信号作为输入。
• 将模型应用于大规模rs-fMRI数据集（HCP和NCANDA），以评估性能与可解释性。

实验结果

研究问题

• RQ1 时空图卷积网络能否有效建模静息态fMRI数据中的动态功能连接？
• RQ2 联合建模空间与时间脑网络特征在预测年龄和性别等人口学变量方面，能否提升预测准确性？
• RQ3 通过学习到的边重要性，哪些脑区和功能连接对年龄和性别的预测最具预测力？
• RQ4 所识别的功能连接在多大程度上与既有的神经科学研究发现中关于衰老和性别差异的结论一致？

主要发现

• ST-GCN在使用HCP和NCANDA数据集对rs-fMRI数据进行性别和年龄预测时，显著优于传统方法。
• 学习到的边重要性矩阵突出了与衰老和性别差异相关的特定脑区和功能连接。
• 这些识别出的连接与现有神经科学研究文献中关于与年龄和性别相关的结构和功能脑变化的发现一致。
• 通过分析BOLD信号的短时间子序列，该模型有效捕捉了功能连接的非平稳特性。
• 边权重的可解释性使得能够直接定位对预测有神经生物学意义的功能网络。