[论文解读] Graph Neural Networks in Network Neuroscience

Alaa Bessadok, Mohamed Ali Mahjoub+1 more|arXiv (Cornell University)|Jun 7, 2021

Functional Brain Connectivity Studies被引用 5

一句话总结

本文综述了基于图神经网络（GNN）的方法在神经影像数据衍生的脑图建模中的应用，展示了其在缺失图合成、疾病分类和多模态连接组整合等任务中的有效性。研究强调了GNN在跨时间、分辨率和神经影像模态下学习复杂脑网络拓扑结构方面的最先进性能。

ABSTRACT

Noninvasive medical neuroimaging has yielded many discoveries about the brain connectivity. Several substantial techniques mapping morphological, structural and functional brain connectivities were developed to create a comprehensive road map of neuronal activities in the human brain -namely brain graph. Relying on its non-Euclidean data type, graph neural network (GNN) provides a clever way of learning the deep graph structure and it is rapidly becoming the state-of-the-art leading to enhanced performance in various network neuroscience tasks. Here we review current GNN-based methods, highlighting the ways that they have been used in several applications related to brain graphs such as missing brain graph synthesis and disease classification. We conclude by charting a path toward a better application of GNN models in network neuroscience field for neurological disorder diagnosis and population graph integration. The list of papers cited in our work is available at https://github.com/basiralab/GNNs-in-Network-Neuroscience.

研究动机与目标

• 综述当前基于GNN的方法在多种神经影像模态下建模脑图的研究进展。
• 通过回顾图生成模型，解决缺失或稀疏连接组数据的挑战，实现高分辨率、时间序列和多模态脑网络的合成。
• 识别GNN在神经网络科学应用中的关键研究空白，包括少样本学习、模型可解释性以及在皮层表面数据上的可扩展性。
• 倡导构建统一框架，整合时间、分辨率和领域轴，以提升脑图学习在神经疾病诊断中的表现。
• 激发未来研究，关注GNN模型选择、可解释性，以及在连接组学中与传统机器学习方法的对比分析。

提出的方法

• 利用图神经网络（GNN）从T1加权、弥散加权和静息态fMRI数据衍生的脑图中学习深层结构表征。
• 应用GCN和基于GAN的GNN架构，并引入拓扑损失项以保持中心性、模块性和枢纽性等图属性。
• 采用多模态、多分辨率和时间图生成技术，从有限输入数据生成整体脑连接组。
• 将图论度量（如接近性中心性、介数中心性）作为正则化项集成到损失函数中，以提升GNN的泛化能力和结构保真度。
• 回顾现有连接组数据集（如HCP、BCP、CRHD）及其预处理流程，使用FSL、FreeSurfer和CONN等工具。
• 提出未来方向，包括少样本学习、GNN在皮层表面网格上的应用，以及混合图-流形学习以提升诊断性能。

实验结果

研究问题

• RQ1 GNN如何在不同神经影像模态、时间点和空间分辨率下有效建模与合成脑图？
• RQ2 拓扑损失函数（如基于中心性的损失）在提升GNN在脑图学习任务中的表现方面发挥何种作用？
• RQ3 在连接组数据有限的少样本学习设置中，GNN的泛化能力达到何种程度？
• RQ4 在利用脑图诊断神经疾病时，GNN与传统机器学习方法相比表现如何？
• RQ5 GNN能否有效适应非图形式的脑表示（如皮层表面网格）进行学习？

主要发现

• 基于GNN的模型在脑图分类与合成任务中达到最先进性能，尤其在引入中心性度量等拓扑约束时表现更优。
• 结合拓扑损失项的基于GAN的GNN框架在保持模块性和枢纽性等关键图属性方面优于标准GNN，性能更优。
• 在所回顾的超过50%的基于GCN的工作中使用了GAN与自定义损失函数，表明在连接组学中恢复缺失数据方面，生成建模已成为一种趋势。
• 尽管在临床应用中具有潜力，当前GNN模型在少样本学习设置中仍被严重低估。
• 目前缺乏对GNN与其他机器学习方法在脑图分析中性能对比的系统性研究，凸显了关键的研究空白。
• 从原理上讲，将GNN扩展至皮层表面网格是可行的，但其可扩展性与鲁棒性仍需进一步研究，尤其是在与基于CNN的网格学习方法对比时。