[论文解读] Multi-View Multi-Graph Embedding for Brain Network Clustering Analysis

Ye Liu, Lifang He+4 more|arXiv (Cornell University)|Jun 19, 2018

Functional Brain Connectivity Studies被引用 8

一句话总结

本文提出多视图多图嵌入（M2E），一种基于张量的框架，将多视图（fMRI 和 DTI）脑网络联合建模为部分对称张量，以保留结构和拓扑信息。通过利用张量分解和跨视图的一致性正则化，M2E 在 HIV 和双相情感障碍数据集上实现了优于单视图和基于向量的多视图方法的聚类性能，同时揭示了具有生物学意义的嵌入模式。

ABSTRACT

Network analysis of human brain connectivity is critically important for understanding brain function and disease states. Embedding a brain network as a whole graph instance into a meaningful low-dimensional representation can be used to investigate disease mechanisms and inform therapeutic interventions. Moreover, by exploiting information from multiple neuroimaging modalities or views, we are able to obtain an embedding that is more useful than the embedding learned from an individual view. Therefore, multi-view multi-graph embedding becomes a crucial task. Currently, only a few studies have been devoted to this topic, and most of them focus on the vector-based strategy which will cause structural information contained in the original graphs lost. As a novel attempt to tackle this problem, we propose Multi-view Multi-graph Embedding (M2E) by stacking multi-graphs into multiple partially-symmetric tensors and using tensor techniques to simultaneously leverage the dependencies and correlations among multi-view and multi-graph brain networks. Extensive experiments on real HIV and bipolar disorder brain network datasets demonstrate the superior performance of M2E on clustering brain networks by leveraging the multi-view multi-graph interactions.

研究动机与目标

• 为解决在多视图脑网络分析中保留复杂图结构的挑战，现有方法因向量化处理而损失拓扑信息。
• 整合来自多种神经影像模态（fMRI 和 DTI）的互补信息，以提升聚类性能。
• 开发一个统一框架，利用张量技术同时建模多个图和多个视图之间的依赖关系。
• 学习一个共识嵌入，以捕捉不同脑网络视图之间的共享潜在聚类结构。

提出的方法

• M2E 将多视图多图脑网络建模为多个部分对称张量，以保留固有的图结构。
• 采用张量分解将堆叠的多图张量分解为节点和图的低维潜在因子。
• 引入一致性正则化项，对齐不同视图之间的系数矩阵，促进共享聚类结构。
• 优化框架尊重脑网络的对称性，并采用高效的交替最小二乘策略。
• 该方法联合学习各视图中的节点级嵌入（H^(v)）和图级嵌入（F^(v)），其中 F^(v) 被对齐至一个共同的共识 F*。
• 目标函数在重构误差和正则化之间取得平衡，超参数 λ₁、λ₂ 和 R 分别控制视图特定权重和嵌入维度。

实验结果

研究问题

• RQ1 基于张量的多视图多图嵌入能否保留向量化方法中损失的结构信息？
• RQ2 与单视图方法相比，整合 fMRI 和 DTI 数据在脑网络聚类性能上表现如何？
• RQ3 嵌入维度 R 以及视图特定正则化权重 λ₁ 和 λ₂ 对聚类准确率有何影响？
• RQ4 所学习的共识图嵌入能否揭示脑网络组织中的生物学有意义模式？
• RQ5 推导出的节点和图嵌入是否与 HIV 和双相情感障碍患者的临床表型相关？

主要发现

• M2E 在 HIV 和双相情感障碍数据集上均实现了最高的聚类准确率，其中 HIV 的最优性能出现在 R=7，双相情感障碍为 R=12。
• 该方法显著优于基线的单视图和基于向量的多视图嵌入方法，证明了保留图结构的优势。
• 参数敏感性分析表明，性能对 λ₁ 和 λ₂ 敏感，最优值能平衡各视图的贡献。
• H^(v) 的可视化揭示了 fMRI 和 DTI 中不同的神经解剖学模式，证实了模态特异的功能和结构特征。
• F^(v) 因子显示，对照组与嵌入特征呈正相关，而患者则呈负相关，与认知功能受损的临床观察一致。
• 在 fMRI 和 DTI 嵌入中识别出的脑区与 HIV 已知的神经认知缺陷一致，尤其集中在额叶和顶叶。