[论文解读] Comparison of Brain Networks with Unknown Correspondences

Sofia Ira Ktena, Sarah Parisot+2 more|arXiv (Cornell University)|Nov 15, 2016

Functional Brain Connectivity Studies被引用 3

一句话总结

该论文提出了一种基于图编辑距离（GED）的方法，用于在无需预定义节点对应关系的情况下比较脑网络，通过整合空间约束和局部网络特征，提升相似性评估效果。在30名无关个体和40对同卵双胞胎上进行评估，该方法成功区分出同卵双胞胎网络的相似性高于无关个体对，最优性能出现在 α=0.5 且 nn=7 个邻居时。

ABSTRACT

Graph theory has drawn a lot of attention in the field of Neuroscience during the last decade, mainly due to the abundance of tools that it provides to explore the interactions of elements in a complex network like the brain. The local and global organization of a brain network can shed light on mechanisms of complex cognitive functions, while disruptions within the network can be linked to neurodevelopmental disorders. In this effort, the construction of a representative brain network for each individual is critical for further analysis. Additionally, graph comparison is an essential step for inference and classification analyses on brain graphs. In this work we explore a method based on graph edit distance for evaluating graph similarity, when correspondences between network elements are unknown due to different underlying subdivisions of the brain. We test this method on 30 unrelated subjects as well as 40 twin pairs and show that this method can accurately reflect the higher similarity between two related networks compared to unrelated ones, while identifying node correspondences.

研究动机与目标

• 为解决由于个体化脑区划分导致节点对应关系未知时比较脑网络的挑战。
• 开发一种能同时保留脑图结构与语义信息的相似性度量方法。
• 实现对具有不同解剖与功能分区的个体之间脑网络的准确比较。
• 评估该方法利用图距离度量检测生物相似性（如同卵双胞胎之间）的能力。

提出的方法

• 该方法采用定制化的图编辑距离（GED），综合考虑空间邻近性与局部连通模式（节点‘特征签名’），以计算脑图之间的相似性。
• 节点替换代价通过空间距离（α）与边特征相似性（g(·)）的加权组合计算，如公式4所示。
• 该算法对编辑操作施加空间约束，降低计算复杂度，同时保持生物上合理的对应关系。
• 采用多尺度邻域方法，在替换过程中考虑每个节点最多 nn 个邻居，提升对解剖变异的鲁棒性。
• 该方法应用于基于 dMRI 和 fMRI 数据生成的结构与功能网络，使用包含50个区域的个体化脑区划分。
• 实现了高效的 GED 计算流程，通过交叉验证调整参数，以最大化相关与无关网络之间的分离度。

实验结果

研究问题

• RQ1 当由于个体化脑区划分导致节点对应关系未知时，图编辑距离能否有效比较脑网络？
• RQ2 所提出的 GED 方法在区分同卵双胞胎网络与无关个体对方面表现如何？
• RQ3 在 GED 代价函数中，空间邻近性与局部连通性特征之间的最优平衡是什么？
• RQ4 在计算图相似性时，该方法是否能保持有意义的节点对应关系？
• RQ5 基于 GED 的相似性度量能否检测出脑网络拓扑中的生物相关关系（如遗传相关性）？

主要发现

• 在结构网络上，该方法在 α = 0.5 且 nn = 7 时，实现了个体内与个体间图距离的显著分离（p < 0.001）。
• 同卵双胞胎对在结构网络上的 GED 值显著低于无关个体对（p < 0.001），证实了该方法检测遗传相似性能力。
• 在功能网络上，最佳分离效果出现在 α = 0.2，表明局部连通性特征在功能图的相似性评估中占主导地位。
• 该方法成功识别出节点对应关系，如图5所示，同卵双胞胎之间的节点编辑距离小于无关个体对。
• 当邻居数（nn）超过7后，GED 值变化微小，表明局部特征的信息量已趋于饱和。
• 最优参数组合（α = 0.5，nn = 7）在结构与功能数据上均实现了相关与无关网络之间的最佳整体区分度。