[论文解读] Learning Task-Aware Effective Brain Connectivity for fMRI Analysis with Graph Neural Networks

Yue Yu, Xuan Kan+10 more|arXiv (Cornell University)|Nov 1, 2022

Functional Brain Connectivity Studies被引用 5

一句话总结

本文提出TBDS，一种端到端框架，通过基于梯度的优化进行有向无环图（DAG）结构学习，从fMRI数据中学习任务感知的有效脑连接。通过引入交叉熵和对比损失进行任务特定监督，TBDS生成稀疏、可解释的脑网络，提升下游预测性能，并突出显示与生物学相关的区域，在ABCD和PNC数据集上优于基线方法。

ABSTRACT

Functional magnetic resonance imaging (fMRI) has become one of the most common imaging modalities for brain function analysis. Recently, graph neural networks (GNN) have been adopted for fMRI analysis with superior performance. Unfortunately, traditional functional brain networks are mainly constructed based on similarities among region of interests (ROI), which are noisy and agnostic to the downstream prediction tasks and can lead to inferior results for GNN-based models. To better adapt GNNs for fMRI analysis, we propose TBDS, an end-to-end framework based on \underline{T}ask-aware \underline{B}rain connectivity \underline{D}AG (short for Directed Acyclic Graph) \underline{S}tructure generation for fMRI analysis. The key component of TBDS is the brain network generator which adopts a DAG learning approach to transform the raw time-series into task-aware brain connectivities. Besides, we design an additional contrastive regularization to inject task-specific knowledge during the brain network generation process. Comprehensive experiments on two fMRI datasets, namely Adolescent Brain Cognitive Development (ABCD) and Philadelphia Neuroimaging Cohort (PNC) datasets demonstrate the efficacy of TBDS. In addition, the generated brain networks also highlight the prediction-related brain regions and thus provide unique interpretations of the prediction results. Our implementation will be published to https://github.com/yueyu1030/TBDS upon acceptance.

研究动机与目标

• 解决传统fMRI脑网络构建方法的局限性，这些方法依赖于基于相关性的密集且与任务无关的连接模式。
• 开发一种可扩展的端到端框架，从fMRI时间序列数据中生成有效（类似因果）脑连接。
• 将任务特定知识注入脑网络生成过程，以提升下游临床预测性能。
• 生成稀疏、可解释的脑网络，突出显示与预测任务相关的生物学上有意义的连接。
• 实现高效、GPU加速的脑网络生成，适用于包含数百个ROI的大规模fMRI数据集。

提出的方法

• TBDS采用可微分DAG学习方法，将原始fMRI时间序列转换为任务感知的脑连接图。
• 脑网络生成器通过结构正则化对无环性约束进行连续松弛，支持基于梯度的优化。
• 引入对比正则化损失，将节点表示与任务特定的预测目标对齐。
• 应用不确定性感知的重加权策略，对目标分类器的梯度进行调整，以减少对噪声标签的过拟合。
• 框架整合端到端训练，脑网络生成与下游预测联合优化。
• 通过可学习变换处理负边权重，以保持结构完整性和预测准确性。

实验结果

研究问题

• RQ1 可微分DAG学习框架能否有效从fMRI时间序列数据中生成稀疏、任务感知的脑连接？
• RQ2 在脑网络生成过程中注入任务特定知识，对下游预测性能有何影响？
• RQ3 生成的脑网络能否突出显示生物学相关区域，并为预测决策提供可解释性洞察？
• RQ4 TBDS在性能和稀疏性方面与基于相关性的方法及可学习基线方法相比如何？
• RQ5 各组件（如对比损失、不确定性重加权）对整体模型有效性的贡献是什么？

主要发现

• 与非端到端训练相比，TBDS在平均性能上提升2.2%，证明了联合优化的优势。
• 移除交叉熵损失或对比损失会导致性能下降，证实了二者在捕捉预测与表征知识方面的作用。
• 不确定性感知的重加权策略提升了模型鲁棒性并减少过拟合，有助于提升泛化能力。
• TBDS生成的脑网络显著比皮尔逊相关或FBNetGen更稀疏，大多数边权重接近零，降低了下游计算成本。
• 可视化结果显示，TBDS突出了默认模式网络、听觉和视觉网络中的性别判别性连接——与先前神经科学研究发现一致。
• 该方法在ABCD和PNC数据集上均达到最先进性能，通过任务特定的连接模式实现强可解释性。