[论文解读] Graph Saliency Maps through Spectral Convolutional Networks: Application to Sex Classification with Brain Connectivity

Salim Arslan, Sofia Ira Ktena+2 more|arXiv (Cornell University)|Jun 5, 2018

Functional Brain Connectivity Studies参考文献 16被引用 4

一句话总结

该论文提出了一种新颖的图卷积网络（GCN）视觉归因方法，结合谱卷积与类别激活映射，用于在无节点级别标签的情况下识别功能连接网络中的显著脑区。该方法应用于英国生物银行静息态fMRI数据（n > 5,000）的性别分类任务，稳健地突出了默认模式网络——特别是节点21、5、13和7——作为性别预测的关键区域，且在不同运行中具有高度可重复性，并展现出强烈的神经生物学相关性。

ABSTRACT

Graph convolutional networks (GCNs) allow to apply traditional convolution operations in non-Euclidean domains, where data are commonly modelled as irregular graphs. Medical imaging and, in particular, neuroscience studies often rely on such graph representations, with brain connectivity networks being a characteristic example, while ultimately seeking the locus of phenotypic or disease-related differences in the brain. These regions of interest (ROIs) are, then, considered to be closely associated with function and/or behaviour. Driven by this, we explore GCNs for the task of ROI identification and propose a visual attribution method based on class activation mapping. By undertaking a sex classification task as proof of concept, we show that this method can be used to identify salient nodes (brain regions) without prior node labels. Based on experiments conducted on neuroimaging data of more than 5000 participants from UK Biobank, we demonstrate the robustness of the proposed method in highlighting reproducible regions across individuals. We further evaluate the neurobiological relevance of the identified regions based on evidence from large-scale UK Biobank studies.

研究动机与目标

• 开发一种用于图结构数据的视觉归因方法，以识别分类任务中关键的脑区，且无需节点级别的监督信号。
• 展示该方法在识别跨受试者和训练运行的一致性、可重复性脑区方面的稳健性。
• 利用大规模英国生物银行连接组数据及既往的性别差异研究，验证所识别区域的神经生物学相关性。
• 将类别激活映射从欧几里得图像扩展至非欧几里得图数据，特别是功能脑网络。
• 为神经科学中以图为中心的深度学习任务提供一种可泛化的ROI识别框架。

提出的方法

• 该方法采用谱卷积网络（GCNs）处理从静息态fMRI数据中提取的功能连接图。
• 在最终卷积层的特征上应用类别激活映射（CAM），以将显著性归因于单个节点（脑区）。
• 基于特征图的加权激活计算节点显著性，权重越高表示对分类决策的贡献越大。
• 该方法应用于二分类性别分类任务，其中每个图代表一位受试者的功能连接网络。
• 通过在受试者之间及多次训练运行中对显著性分数取平均，评估其一致性与可重复性。
• 通过将显著节点映射至静息态网络（RSNs）并对比英国生物银行的组平均连接组，评估其神经生物学相关性。

实验结果

研究问题

• RQ1 类别激活映射能否有效适配于图结构数据，以识别功能脑网络中的显著节点？
• RQ2 该方法识别出的显著脑区在不同受试者和训练运行中是否具有一致性？
• RQ3 所识别的显著节点是否对应于生物学上有意义的脑网络，如默认模式网络？
• RQ4 该方法对训练初始化和超参数变化是否具有鲁棒性？
• RQ5 该方法能否在无节点标签的前提下检测到已知的功能连接性别差异？

主要发现

• 该方法在所有受试者和多次训练运行中一致识别出四个脑区——节点21、5、13和7——为最显著区域，超过90%的运行将其排在前三名。
• 这些区域属于默认模式网络，该网络是与内部认知和自我参照处理相关联的已知功能网络。
• 女性的默认模式网络表现出更强的功能连接，与先前的英国生物银行研究结果一致，支持了所识别区域的神经生物学相关性。
• 显著性图在不同随机种子和交叉验证折之间具有高度可重复性，表明对训练变化具有鲁棒性。
• 该方法在使用功能连接图进行性别分类时达到了最先进水平的准确率，验证了其预测能力。
• 该方法在无需节点级别标签的情况下成功识别出具有生物学意义的ROI，证明其在连接组学中无监督ROI发现任务中的实用性。