[论文解读] Similarity Learning with Higher-Order Graph Convolutions for Brain Network Analysis

Guixiang Ma, Nesreen K. Ahmed+5 more|arXiv (Cornell University)|Nov 2, 2018

Functional Brain Connectivity Studies参考文献 53被引用 13

一句话总结

该论文提出了一种高阶孪生图卷积网络（HS-GCN），这是一种端到端的相似性学习框架，通过使用高阶图卷积来捕捉基于fMRI的脑功能连接网络中的社区结构。通过将基于随机游走的高阶接近度引入孪生图卷积网络，HS-GCN在四个fMRI数据集上实现了多 Subjects 脑网络相似性学习的最先进性能，相较于PCA平均AUC提升75%，相较于谱嵌入（Spectral Embedding）提升65.5%。

ABSTRACT

Learning a similarity metric has gained much attention recently, where the goal is to learn a function that maps input patterns to a target space while preserving the semantic distance in the input space. While most related work focused on images, we focus instead on learning a similarity metric for neuroimages, such as fMRI and DTI images. We propose an end-to-end similarity learning framework called Higher-order Siamese GCN for multi-subject fMRI data analysis. The proposed framework learns the brain network representations via a supervised metric-based approach with siamese neural networks using two graph convolutional networks as the twin networks. Our proposed framework performs higher-order convolutions by incorporating higher-order proximity in graph convolutional networks to characterize and learn the community structure in brain connectivity networks. To the best of our knowledge, this is the first community-preserving similarity learning framework for multi-subject brain network analysis. Experimental results on four real fMRI datasets demonstrate the potential use cases of the proposed framework for multi-subject brain analysis in health and neuropsychiatric disorders. Our proposed approach achieves an average AUC gain of 75% compared to PCA, an average AUC gain of 65.5% compared to Spectral Embedding, and an average AUC gain of 24.3% compared to S-GCN across the four datasets, indicating promising application in clinical investigation and brain disease diagnosis.

研究动机与目标

• 解决多 Subjects fMRI 数据中缺乏保留社区结构的相似性学习框架的问题。
• 通过捕捉反映社区结构和长程功能连接结构的高阶接近度，提升脑网络表征学习能力。
• 开发一种端到端的孪生图卷积网络框架，联合学习判别性特征与相似性度量，用于脑网络分析。
• 通过功能连接模式，实现对健康与神经精神疾病患者在分类与聚类上的更准确识别。
• 克服传统图卷积网络（GCN）与图嵌入方法在脑网络中无法保留社区结构的局限性。

提出的方法

• 采用孪生神经网络架构，使用两个相同的高阶图卷积网络（GCNs）作为双编码器。
• 通过在脑功能连接图上进行随机游走，引入高阶接近度，以捕捉长程与社区级结构关系。
• 在随机游走序列上使用滑动窗口，提取用于图卷积操作的高阶结构模式。
• 利用图拉普拉斯矩阵与谱滤波，对高阶接近度表示进行卷积操作，增强社区结构的学习能力。
• 采用对比损失进行端到端训练，最小化不同类别样本对之间的相似性，最大化同类样本对之间的相似性。
• 应用学习到的度量标准，基于功能连接网络的相似性对受试者对进行分类。

实验结果

研究问题

• RQ1 与标准GCN相比，高阶图卷积是否能提升fMRI衍生脑功能连接网络中的相似性学习性能？
• RQ2 基于随机游走的高阶接近度在脑网络中对社区结构的捕捉能力在相似性学习中有多高效？
• RQ3 所提出的HS-GCN框架是否在脑网络相似性分类任务中优于PCA、谱嵌入（Spectral Embedding）和S-GCN等基线方法？
• RQ4 在临床应用中，保留社区结构在多大程度上能增强脑网络表征的判别能力？
• RQ5 如游走长度和窗口大小等超参数如何影响高阶GCN在相似性学习中的性能表现？

主要发现

• HS-GCN在四个真实fMRI数据集上相较于PCA实现了平均75%的AUC提升，证明其在样本对分类任务中表现卓越。
• 该框架相较于谱嵌入（Spectral Embedding）实现了平均65.5%的AUC提升，表明其在脑网络相似性估计方面有显著改进。
• HS-GCN相较于S-GCN实现了平均24.3%的AUC提升，凸显在GCN中引入高阶接近度在脑网络分析中的优势。
• 高阶卷积的使用有效捕捉了社区结构与长程功能连接，这些特征对于区分健康与异常脑网络至关重要。
• 参数敏感性分析表明，游走长度与窗口大小显著影响模型性能，其最优值取决于图的规模与密度。
• 端到端训练策略实现了特征学习与相似性度量的联合优化，生成的表征判别性优于分阶段方法。