[论文解读] Combining Anatomical and Functional Networks for Neuropathology Identification: A Case Study on Autism Spectrum Disorder

Sarah Itani, Dorina Thanou|arXiv (Cornell University)|Apr 25, 2019

Functional Brain Connectivity Studies参考文献 42被引用 8

一句话总结

本文提出一种图信号处理方法，通过融合结构与功能脑网络，提升自闭症谱系障碍（ASD）的分类性能。通过在结构脑图上建模fMRI信号，并应用扩展的Fukunaga-Koontz变换提取具有判别性的频域特征，该方法在ABIDE数据集上实现了优异的分类表现，同时揭示额叶与颞叶为关键诊断区域。

ABSTRACT

While the prevalence of Autism Spectrum Disorder (ASD) is increasing, research continues in an effort to identify common etiological and pathophysiological bases. In this regard, modern machine learning and network science pave the way for a better understanding of the neuropathology and the development of diagnosis aid systems. The present work addresses the classification of neurotypical and ASD subjects by combining knowledge about both the structure and the functional activity of the brain. In particular, we model the brain structure as a graph, and the resting-state functional MRI (rs-fMRI) signals as values that live on the nodes of that graph. We then borrow tools from the emerging field of Graph Signal Processing (GSP) to build features related to the frequency content of these signals. In order to make these features highly discriminative, we apply an extension of the Fukunaga-Koontz transform. Finally, we use these new markers to train a decision tree, an interpretable classification scheme, which results in a final diagnosis aid model. Interestingly, the resulting decision tree outperforms state-of-the-art methods on the publicly available Autism Brain Imaging Data Exchange (ABIDE) collection. Moreover, the analysis of the predictive markers reveals the influence of the frontal and temporal lobes in the diagnosis of the disorder, which is in line with previous findings in the literature of neuroscience. Our results indicate that exploiting jointly structural and functional information of the brain can reveal important information about the complexity of the neuropathology.

研究动机与目标

• 开发一种数据驱动且可解释的分类模型，用于基于多模态脑数据区分神经典型（NT）与自闭症谱系障碍（ASD）受试者。
• 通过在统一的图信号处理（GSP）框架内建模，整合结构连接（SC）与功能连接（FC）信息。
• 利用图傅里叶变换与扩展的Fukunaga-Koontz变换，从静息态fMRI信号的频域内容中提取判别性特征。
• 通过使用决策树分类器确保模型可解释性，揭示影响诊断的生物相关脑区。
• 在公开的ABIDE数据集上验证该方法，并与现有最先进方法进行性能比较。

提出的方法

• 将大脑表示为图结构，其中节点对应AAL图谱中的感兴趣脑区（ROIs），边由解剖邻近性定义。
• 静息态fMRI（rs-fMRI）时间序列被视为定义在结构图节点上的图信号。
• 对每位受试者的fMRI信号应用图傅里叶变换（GFT），以分析其在图谱域中的频域成分。
• 将所得的时间可变GFT系数聚合为一个连接矩阵，以捕捉跨受试者的图频率模式。
• 对该矩阵应用Fukunaga-Koontz变换（FKT）的扩展形式，以提取能有效分离ASD与NT群体的低维判别性特征。
• 基于这些特征训练决策树，生成最终的、可解释的诊断辅助模型，其决策规则清晰基于图频率模式。

实验结果

研究问题

• RQ1 通过图信号处理将结构与功能脑网络相结合，能否提升ASD与神经典型受试者分类的准确性？
• RQ2 在使用基于图频率的特征时，哪些脑区或网络对ASD诊断最具预测性？
• RQ3 在ABIDE数据集上，该方法在性能与可解释性方面相较于现有最先进方法表现如何？
• RQ4 所提取的图频率特征在多大程度上反映了与ASD相关的已知神经生物学模式？
• RQ5 由特征生成的决策树模型能否为ASD的神经病理机制提供临床可解释的洞察？

主要发现

• 与现有最先进方法相比，所提出方法在ABIDE数据集上实现了更优的分类性能，显著提升了区分ASD与神经典型受试者的准确性。
• 决策树分析显示，额叶与颞叶是分类中最具影响力的脑区，与ASD研究领域既有的神经科学文献一致。
• 通过扩展的Fukunaga-Koontz变换提取的基于图频率的特征具有高度判别性，能够捕捉与神经病理改变相关的细微脑活动模式。
• 采用决策树确保了模型的可解释性，使临床医生能够追溯诊断决策至特定脑区与频率分量。
• 通过图信号处理整合结构与功能脑网络，揭示了协同信息，显著提升了诊断能力，其效果超越单一模态的使用。
• 扩展FKT中的对角化与正交性约束，确保所提取特征在统计上最优且数值上稳定，适用于分类任务。