[论文解读] FBNETGEN: Task-aware GNN-based fMRI Analysis via Functional Brain Network Generation

Xuan Kan, Hejie Cui+3 more|PubMed|May 25, 2022

Functional Brain Connectivity Studies参考文献 42被引用 29

一句话总结

FBNetGen 引入一个任务感知的端到端框架，该框架从 fMRI 时间序列学习生成脑网络，并使用 GNN 进行下游预测，在 ABCD 与 PNC 上实现最先进的性别预测，且图结构可解释、聚焦于任务。

ABSTRACT

Functional magnetic resonance imaging (fMRI) is one of the most common imaging modalities to investigate brain functions. Recent studies in neuroscience stress the great potential of functional brain networks constructed from fMRI data for clinical predictions. Traditional functional brain networks, however, are noisy and unaware of downstream prediction tasks, while also incompatible with the deep graph neural network (GNN) models. In order to fully unleash the power of GNNs in network-based fMRI analysis, we develop FBNETGEN, a task-aware and interpretable fMRI analysis framework via deep brain network generation. In particular, we formulate (1) prominent region of interest (ROI) features extraction, (2) brain networks generation, and (3) clinical predictions with GNNs, in an end-to-end trainable model under the guidance of particular prediction tasks. Along with the process, the key novel component is the graph generator which learns to transform raw time-series features into task-oriented brain networks. Our learnable graphs also provide unique interpretations by highlighting prediction-related brain regions. Comprehensive experiments on two datasets, i.e., the recently released and currently largest publicly available fMRI dataset Adolescent Brain Cognitive Development (ABCD), and the widely-used fMRI dataset PNC, prove the superior effectiveness and interpretability of FBNETGEN. The implementation is available at https://github.com/Wayfear/FBNETGEN.

研究动机与目标

• 以任务感知的脑网络生成推动并实现对 fMRI 数据的端到端分析。
• 生成正向、任务特定的功能性脑图，与 GNNs 兼容以提升预测性能。
• 提供可解释的脑连接模式，突出与预测相关的区域。
• 证明其在时间序列基线和传统图方法之上的优越预测性能。

提出的方法

• 时间序列编码器（1D-CNN 或 bi-GRU）以从 BOLD 信号获得降维、去噪的 ROI 特征 h_e。
• 图生成器通过 h_A = softmax(h_e) 计算 A = h_A h_A^T，生成带有正权重的面向任务的脑网络。
• 图预测器在节点初始特征 F 和邻接矩阵 A 上应用 GNN（K 层）以预测标签。
• 端到端训练，优化 L = L_ce + alpha L_intra + beta L_inter + gamma L_sparsity，包含三个与任务对齐的正则化项。
• 正则化项包括组内损失（同类内的一致性）、组间损失（_CLASSES 之间的分离）以及稀疏性损失（边稀疏性）。
• 消融分析显示移除正则化项的影响以及端到端、任务感知设计的优势。

实验结果

研究问题

• RQ1 FBNetGen 是否在数据集之间相对于时间序列基线和传统图构建方法提升预测性能？
• RQ2 学习得到的、面向任务的脑图是否可解释并与已知的神经生物学发现（如默认模态网络 DMN、性别相关连接性）对齐？
• RQ3 所提出的正则化项（内部/组别以及稀疏性）如何影响预测准确性与可解释性？
• RQ4 所学习的图在不同数据集（PNC 与 ABCD）以及脑图谱中是否提供一致、可重复的洞见？

主要发现

• FBNetGen 在 PNC 与 ABCD 的 AUROC 与准确度上均超越所有基线，包括时间序列编码器与传统/可学习图方法。
• 学习到的面向任务的图强调对预测相关的连接以及正权边，提升区分能力，使 GNN 的输入更具信息性。
• 消融研究表明，包含所有正则化项（CE + GL + SL）相较于简化变体具有更稳定且更高的性能。
• 可解释性分析显示，学习到的图突出显示默认模式网络及其他模块，与关于性别差异的神经生物学发现一致。
• 在不同数据集上，该方法显示出一致的可解释性与预测增益，验证其端到端、任务感知设计。