[论文解读] Deep Hypergraph U-Net for Brain Graph Embedding and Classification

Mert Lostar, Islem Rekik|arXiv (Cornell University)|Aug 30, 2020

Functional Brain Connectivity Studies参考文献 42被引用 5

一句话总结

该论文提出Hypergraph U-Net（HUNet），一种新颖的深度学习框架，将U-Net架构推广至超图，以捕捉脑连接组数据中的高阶关系。通过引入超图池化和反池化层，HUNet在异构脑网络数据集上的分类准确率比最先进方法高出4–14%，展示了在神经疾病诊断中更优的可扩展性和泛化能力。

ABSTRACT

-Background. Network neuroscience examines the brain as a complex system represented by a network (or connectome), providing deeper insights into the brain morphology and function, allowing the identification of atypical brain connectivity alterations, which can be used as diagnostic markers of neurological disorders. -Existing Methods. Graph embedding methods which map data samples (e.g., brain networks) into a low dimensional space have been widely used to explore the relationship between samples for classification or prediction tasks. However, the majority of these works are based on modeling the pair-wise relationships between samples, failing to capture their higher-order relationships. -New Method. In this paper, inspired by the nascent field of geometric deep learning, we propose Hypergraph U-Net (HUNet), a novel data embedding framework leveraging the hypergraph structure to learn low-dimensional embeddings of data samples while capturing their high-order relationships. Specifically, we generalize the U-Net architecture, naturally operating on graphs, to hypergraphs by improving local feature aggregation and preserving the high-order relationships present in the data. -Results. We tested our method on small-scale and large-scale heterogeneous brain connectomic datasets including morphological and functional brain networks of autistic and demented patients, respectively. -Conclusion. Our HUNet outperformed state-of-the-art geometric graph and hypergraph data embedding techniques with a gain of 4-14% in classification accuracy, demonstrating both scalability and generalizability. HUNet code is available at https://github.com/basiralab/HUNet.

研究动机与目标

• 解决现有图嵌入方法在捕捉脑网络样本间高阶关系方面的局限性。
• 开发一种基于超图结构的可扩展且泛化能力强的深度学习框架，用于脑连接组分类。
• 通过设计新型的超图池化与反池化操作，将U-Net架构扩展至超图。
• 在小规模与大规模脑连接组数据集（包括自闭症与痴呆患者的功能与形态网络）上提升分类性能。
• 基于共享脑连接改变实现患者可解释性聚类，支持精准医学应用。

提出的方法

• 该方法将U-Net编码器-解码器架构推广至超图，用超图卷积层替代标准图卷积层。
• 引入超图池化（hPool）与超图反池化（hUnpool）层，在下采样与上采样过程中保留高阶关系。
• 该框架采用超图结构，其中每条超边连接多个节点（受试者），以建模脑网络样本间的多对多关系。
• 通过高阶消息传递机制增强特征聚合，捕捉节点子集之间的交互。
• 采用交叉熵损失进行端到端训练，实现对神经疾病（二分类或多分类）的分类。
• 利用几何深度学习原理，学习脑连接组的代表性与判别性低维嵌入。

实验结果

研究问题

• RQ1 与标准图基方法相比，基于超图的表征学习是否能提升脑连接组的分类性能？
• RQ2 U-Net风格架构在多大程度上可被推广至超图，以建模神经影像数据中的高阶关系？
• RQ3 超图池化与反池化对在脑网络嵌入中下采样与上采样过程中的判别性特征保留有何影响？
• RQ4 HUNet在异质脑连接组数据集（如形态网络与功能网络、自闭症与阿尔茨海默病）上的泛化能力如何？
• RQ5 所学习的池化与反池化权重是否可解释，以识别具有相似脑连接改变的患者亚群？

主要发现

• HUNet在小规模与大规模脑连接组数据集上，相比最先进几何图与超图嵌入方法，分类准确率提升4–14%。
• 该方法在多样化数据分布（包括自闭症与阿尔茨海默病患者的脑功能与形态网络）中表现出强大的可扩展性与泛化能力。
• 超图池化与反池化机制有效捕捉了受试者之间的高阶关系，生成更具代表性与判别性的嵌入。
• 当网络深度增加时，模型性能保持稳健，但过度增加深度与高池化比率时观察到过拟合现象。
• 所学习的超图结构支持基于共享脑连接改变的患者可解释性聚类，助力精准医学应用。
• 该框架优于现有方法（如GCN、GAE与HGNN），尤其在捕捉连接组数据中复杂的多主体交互模式方面表现突出。