[论文解读] Learning Multi-resolution Graph Edge Embedding for Discovering Brain Network Dysfunction in Neurological Disorders

Xin Ma, Guo‐Rong Wu+2 more|arXiv (Cornell University)|Dec 3, 2019

Functional Brain Connectivity Studies参考文献 47被引用 6

一句话总结

本文提出了一种多分辨率图神经网络（MGNN），通过将自适应小波-like 图变换应用于脑连接矩阵，学习与疾病相关的边嵌入。该方法在分类注意缺陷多动障碍（ADHD）和阿尔茨海默病亚型方面实现了最先进性能，识别出功能性和结构性脑网络中具有临床可解释性的高判别力连接。

ABSTRACT

Tremendous recent literature show that associations between different brain regions, i.e., brain connectivity, provide early symptoms of neurological disorders. Despite significant efforts made for graph neural network (GNN) techniques, their focus on graph nodes makes the state-of-the-art GNN methods not suitable for classifying brain connectivity as graphs where the objective is to characterize disease-relevant network dysfunction patterns on graph links. To address this issue, we propose Multi-resolution Edge Network (MENET) to detect disease-specific connectomic benchmarks with high discrimination power across diagnostic categories. The core of MENET is a novel graph edge-wise transform that we propose, which allows us to capture multi-resolution ``connectomic'' features. Using a rich set of the connectomic features, we devise a graph learning framework to jointly select discriminative edges and assign diagnostic labels for graphs. Experiments on two real datasets show that MENET accurately predicts diagnostic labels and identify brain connectivities highly associated with neurological disorders such as Alzheimer's Disease and Attention-Deficit/Hyperactivity Disorder.

研究动机与目标

• 解决在神经疾病中具有不规则、非欧几里得结构的脑网络分类挑战。
• 开发一种数据驱动的自适应框架，捕捉多尺度下的疾病特异性连接变异。
• 在保持关键脑连接空间可解释性的同时，提高诊断分类的准确性。
• 克服传统图方法和深度学习模型在小型神经影像数据集上缺乏适应性或可解释性的局限。

提出的方法

• 利用源自图上调和分析的类小波图变换，对图邻接矩阵进行多分辨率表示。
• 采用参数化核函数生成带通滤波器，自适应地提取多尺度特征。
• 使用有监督的卷积神经网络（CNN）框架，从多分辨率图特征中学习边级别嵌入，以优化诊断分类。
• 应用自适应图变换，生成突出不同诊断组间高判别力连接模式的特征图。
• 使用图级别标签的交叉熵损失进行端到端训练，结合 L1 正则化以促进稀疏且可解释的边权重。
• 将高权重边可视化为临床上相关的连接，将模型输出与已知神经解剖学发现相联系。

实验结果

研究问题

• RQ1 多分辨率图表示能否提升神经疾病脑网络数据的分类准确率？
• RQ2 哪些脑连接模式最能区分 ADHD 和阿尔茨海默病亚型？
• RQ3 与固定或非图感知方法相比，自适应图变换在特征学习方面有何增强作用？
• RQ4 该模型在多大程度上能识别出与现有脑网络功能障碍文献一致的临床相关连接？
• RQ5 多尺度方法是否能降低在神经影像研究中常见的小样本尺寸带来的敏感性？

主要发现

• 在 ADNI 数据集上，MGNN 在区分临床前与前驱期阿尔茨海默病的分类中达到 77.4% 的准确率、77.2% 的加权精确率和 77.4% 的加权召回率，优于所有基线模型。
• 在 ADHD-200 数据集上，MGNN 显著优于传统方法，识别出 10 个涉及小脑和额叶区域的关键连接，与 ADHD 文献一致。
• 在结构连接分析中，模型收敛至四个最优尺度，表明仅少数尺度即足以实现高判别力。
• 阿尔茨海默病分类中前 10 名边权重突出了涉及颞叶（如下颞回、横行颞沟）和外侧裂的连接，这些连接在阿尔茨海默病病理中已有充分记载。
• 该方法在 ADHD 中识别出 17 个 ROI，在 AD 中识别出 18 个 ROI，这些区域在高权重连接中持续出现，显示出与已知神经解剖学相关性的强一致性。
• L1 正则化产生了稀疏边权重，使最临床相关的连接得以清晰可视化，增强了可解释性且未牺牲性能。