[论文解读] DecGAN: Decoupling Generative Adversarial Network detecting abnormal neural circuits for Alzheimer's disease

Junren Pan, Baiying Lei+4 more|arXiv (Cornell University)|Oct 12, 2021

Cell Image Analysis Techniques参考文献 52被引用 4

一句话总结

该论文提出DecGAN，一种新颖的解耦生成对抗网络，通过将多模态脑网络（fMRI与DTI）分解为表示AD关键环路的稀疏子图和可忽略的补充图，实现对阿尔茨海默病中异常神经环路的检测。通过集成基于图的解耦模块、对抗性训练以及基于空间-谱超图相似性的稀疏容量损失，DecGAN提升了检测的准确性和鲁棒性，在基于重建脑网络的AD阶段分类任务中达到最先进性能。

ABSTRACT

One of the main reasons for Alzheimer's disease (AD) is the disorder of some neural circuits. Existing methods for AD prediction have achieved great success, however, detecting abnormal neural circuits from the perspective of brain networks is still a big challenge. In this work, a novel decoupling generative adversarial network (DecGAN) is proposed to detect abnormal neural circuits for AD. Concretely, a decoupling module is designed to decompose a brain network into two parts: one part is composed of a few sparse graphs which represent the neural circuits largely determining the development of AD; the other part is a supplement graph, whose influence on AD can be ignored. Furthermore, the adversarial strategy is utilized to guide the decoupling module to extract the feature more related to AD. Meanwhile, by encoding the detected neural circuits to hypergraph data, an analytic module associated with the hyperedge neurons algorithm is designed to identify the neural circuits. More importantly, a novel sparse capacity loss based on the spatial-spectral hypergraph similarity is developed to minimize the intrinsic topological distribution of neural circuits, which can significantly improve the accuracy and robustness of the proposed model. Experimental results demonstrate that the proposed model can effectively detect the abnormal neural circuits at different stages of AD, which is helpful for pathological study and early treatment.

研究动机与目标

• 为解决从多模态脑网络（fMRI与DTI）中检测阿尔茨海默病异常神经环路的挑战，这些环路在传统方法中常被忽略。
• 开发一种深度学习框架，能够将脑网络解耦为AD关键环路与非影响成分，实现精确的病理分析。
• 通过对抗性训练与一种新颖的稀疏容量损失，增强AD相关神经环路的特征表示，同时保留其内在拓扑结构。
• 通过识别与AD进展各阶段相关的关键神经环路，提供一种鲁棒且可解释的模型，支持早期诊断。

提出的方法

• 设计了一个解耦模块，将多模态脑网络分解为稀疏子图（代表AD关键神经环路）与补充图（对AD影响可忽略）。
• 生成器从解耦组件与潜在空间重建原始脑网络，提升特征表达能力并增强解耦过程的稳定性。
• 判别器通过对抗性训练，区分真实脑网络与重建脑网络，提升模型学习AD相关特征的能力。
• 采用基于超图的分析模块，结合超边神经元，从解耦子图中识别并表示检测到的神经环路。
• 提出一种基于空间-谱超图相似性的新颖稀疏容量损失，以最小化神经环路间的拓扑差异，提升模型鲁棒性与准确性。
• 模型利用图卷积网络（GCNs）从功能连接（rs-fMRI）与结构连接（DTI）数据中提取互补的拓扑特征。

实验结果

研究问题

• RQ1 深度生成模型能否有效将多模态脑网络解耦为AD关键神经环路与非影响成分？
• RQ2 对抗性训练与新颖损失函数在提升阿尔茨海默病中异常神经环路检测能力方面有何作用？
• RQ3 稀疏容量损失在多大程度上提升了检测到的神经环路的拓扑保真度与分类性能？
• RQ4 从解耦组件重建的脑网络是否在AD阶段分类任务中优于先验脑网络？

主要发现

• DecGAN在分类阿尔茨海默病（AD）与正常对照（NC）时，准确率达到85.18%，敏感性达93.75%，F1得分为72.72%，优于先验脑网络。
• 基于重建的脑网络在使用GCN分类NC与AD时，准确率达到86.20%，F1得分为88.88%，显著优于先验网络（准确率82.75%，F1得分83.87%）。
• 稀疏容量损失通过最小化神经环路间的内在拓扑差异，提升了模型在AD各阶段的泛化能力与鲁棒性。
• 检测到的神经环路与临床文献中已知的AD易损区域高度相关，包括边缘叶、颞叶与顶叶。
• 该模型成功识别出不同AD阶段（NC、EMCI、LMCI、AD）中的异常环路，支持其在早期病理检测中的应用价值。
• 对重建结构连接（加权邻接矩阵）的可视化结果表明，DecGAN有效保留了有意义的网络拓扑结构，其AD相关模式比先验网络更清晰。