[论文解读] Graph Autoencoders for Embedding Learning in Brain Networks and Major Depressive Disorder Identification

Fuad Noman, Chee‐Ming Ting+5 more|arXiv (Cornell University)|Jul 27, 2021

Functional Brain Connectivity Studies被引用 8

一句话总结

该论文提出了一种将图卷积网络（GCNs）与图自编码器（GAE）结合的模型，用于从功能磁共振成像（fMRI）衍生的脑功能连接（FC）网络中学习低维、具有拓扑信息的嵌入表示，以实现重度抑郁障碍（MDD）分类。该方法显著优于当前最先进的模型，在使用Ledoit-Wolf收缩法估计功能连接的REST-meta-MDD数据集上，实现了65.07%的准确率，且采用无监督GAE-FCNN方法。

ABSTRACT

Brain functional connectivity (FC) reveals biomarkers for identification of various neuropsychiatric disorders. Recent application of deep neural networks (DNNs) to connectome-based classification mostly relies on traditional convolutional neural networks using input connectivity matrices on a regular Euclidean grid. We propose a graph deep learning framework to incorporate the non-Euclidean information about graph structure for classifying functional magnetic resonance imaging (fMRI)-derived brain networks in major depressive disorder (MDD). We design a novel graph autoencoder (GAE) architecture based on the graph convolutional networks (GCNs) to embed the topological structure and node content of large-sized fMRI networks into low-dimensional latent representations. In network construction, we employ the Ledoit-Wolf (LDW) shrinkage method to estimate the high-dimensional FC metrics efficiently from fMRI data. We consider both supervised and unsupervised approaches for the graph embedding learning. The learned embeddings are then used as feature inputs for a deep fully-connected neural network (FCNN) to discriminate MDD from healthy controls. Evaluated on two resting-state fMRI (rs-fMRI) MDD datasets, results show that the proposed GAE-FCNN model significantly outperforms several state-of-the-art methods for brain connectome classification, achieving the best accuracy using the LDW-FC edges as node features. The graph embeddings of fMRI FC networks learned by the GAE also reveal apparent group differences between MDD and HC. Our new framework demonstrates feasibility of learning graph embeddings on brain networks to provide discriminative information for diagnosis of brain disorders.

研究动机与目标

• 为解决欧几里得深度学习模型在捕捉脑功能连接（FC）网络中非欧几里得拓扑结构方面的局限性。
• 开发一种图深度学习框架，联合建模节点特征与网络拓扑结构，以提升MDD分类性能。
• 评估通过GAE学习到的图嵌入在真实静息态fMRI（rs-fMRI）数据中MDD与健康对照（HC）受试者之间的判别能力。
• 比较基于图谱的分类中，有监督与无监督图嵌入学习策略的性能差异。
• 评估不同脑图谱分割模板（parcellation atlases）对分类性能的影响，使用所提出的框架进行分析。

提出的方法

• 采用Ledoit-Wolf（LDW）收缩方法，高效估计从静息态fMRI（rs-fMRI）数据中获得的高维功能连接（FC）矩阵。
• 设计一种新型基于图卷积网络（GCNs）的图自编码器（GAE），以学习编码节点内容与脑网络拓扑结构的低维潜在表示。
• 将学习到的GAE嵌入作为输入特征，输入到深层全连接神经网络（FCNN）中，用于分类MDD与HC。
• 同时应用无监督GAE与有监督GCN-FCNN变体，通过贝叶斯优化对层数、维度、dropout率与初始学习率等超参数进行搜索。
• 在多个脑图谱分割模板（AAL、Harvard-Oxford、Power）上评估性能，并采用5折交叉验证，使用标准评估指标。
• 在GCN-FCNN流程中引入多种聚合函数（展平、平均、最大值、求和），以评估最终分类器的鲁棒性。

Figure 1: The architecture of proposed GAE-FCNN framework for functional brain network classification. (a) Unsupervised model. The model consists of two components: A GAE employs a GCN-based encoder to encode fMRI connectome data (graph structure $\mathbf{A}$ & node content $\mathbf{X}$ ) into laten

实验结果

研究问题

• RQ1 图自编码器能否有效从fMRI衍生的脑功能连接网络中学习到具有判别性的低维嵌入表示，以实现MDD分类？
• RQ2 所提出的GAE-FCNN框架在rs-fMRI MDD数据集上的性能，与当前最先进的方法（包括CNN和传统分类器）相比如何？
• RQ3 与有监督GCN-FCNN或端到端训练相比，通过GAE进行无监督预训练是否能提升下游分类性能？
• RQ4 在所提出的方法中，使用AAL、Harvard-Oxford或Power脑图谱分割模板，哪种模板能产生最具判别性的FC网络用于MDD分类？
• RQ5 所学习到的图嵌入是否揭示了MDD与健康对照受试者之间具有生物学意义的组间差异？

主要发现

• 无监督GAE-FCNN模型在REST-meta-MDD数据集上实现了65.07% ± 5.56的最高分类准确率，显著优于SVM-RBF（62.67%）、BrainNetCNN（60.53%）及其他基于GCN的模型。
• 该方法实现了67.29%的F1分数，具有较高的敏感度（69.74%）与特异度（60.00%），表明其具备出色的泛化能力与鲁棒性。
• AAL-116模板在所有方法中表现最佳，表明解剖学定义的ROI可能比功能或基于图谱的ROI提供更具判别性的特征。
• GAE学习到的图嵌入揭示了MDD与HC组之间清晰的拓扑差异，支持其生物学相关性与判别能力。
• 无监督GAE-FCNN的性能甚至优于有监督GCN-FCNN（准确率为59.47%），证明了在无标签情况下对图结构进行预训练的价值。
• 该方法具有良好的泛化能力，表现为在多种评估指标上持续获得性能提升，并对不同图谱分割方案保持稳健。

Figure 2: The learning curve as a function of training epochs and reconstruction loss of the GAE model.