[论文解读] Similarity Learning with Higher-Order Proximity 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 25被引用 7

一句话总结

本文提出多跳孪生图卷积网络（Multi-hop Siamese GCN），一种基于图的相似性学习框架，通过利用基于fMRI的脑网络中的高阶邻近性，提升脑健康与认知能力预测的相似性估计性能。在四个真实fMRI数据集上，其AUC平均提升分别达到PCA的82.6%和S-GCN的42%，展现出在临床脑网络分析中强大的潜力。

ABSTRACT

In recent years, the similarity learning problem has been widely studied. Most of the existing works focus on images and few of these works could be applied to learn similarity between neuroimages, such as fMRI images and DTI images, which are important data sources for human brain analysis. In this paper, we focus on the similarity learning for fMRI brain network analysis. We propose a general framework called Siamese for similarity learning on graphs. This framework provides options for refining the graph representations with high-order structure information, thus can be used for graph similarity learning on various brain network data sets. We apply the proposed Multi-hop Siamese GCN approach on four real fMRI brain network datasets for similarity learning with respect to brain health status and cognitive abilities. Our proposed method achieves an average AUC gain of 82.6% compared to PCA, and an average AUC gain of 42% compared to S-GCN across a variety of datasets, indicating its promising learning ability for clinical investigation and brain disease diagnosis.

研究动机与目标

• 解决针对神经影像数据（特别是fMRI和DTI脑网络）缺乏有效相似性学习方法的问题。
• 通过引入超越直接邻居的高阶结构邻近性，改进脑网络的表征能力。
• 构建一个可泛化的图相似性学习框架，适用于多种fMRI脑网络数据集。
• 通过实现基于脑网络相似性的脑健康状态与认知能力的准确预测，增强方法的临床相关性。

提出的方法

• 为图结构化的fMRI脑网络设计一种孪生网络架构，以学习节点或图之间的相似性。
• 通过建模一阶邻居之外的多跳连接，将高阶邻近性整合到图卷积网络（GCNs）中。
• 利用可学习的聚合机制优化图表示，以捕捉脑网络拓扑中的长程依赖关系。
• 使用对比损失训练孪生GCN，以优化相关与不相关脑网络样本之间的相似性得分。
• 将多跳孪生GCN应用于四个真实fMRI数据集，评估其在相似性学习任务中的性能。
• 利用从孪生GCN中提取的图级别表示，用于脑健康与认知功能的下游分类任务。

实验结果

研究问题

• RQ1 脑网络中的高阶邻近性是否能显著提升fMRI数据的相似性学习性能？
• RQ2 所提出的多跳孪生GCN与传统降维方法（如PCA）及最先进的图模型（如S-GCN）相比，在相似性学习中的表现如何？
• RQ3 该框架在多样化的fMRI脑网络数据集上，对临床预测任务的泛化能力如何？
• RQ4 整合多跳结构信息是否能提升脑健康与认知能力分类的判别性表征？

主要发现

• 所提出的多跳孪生GCN在四个fMRI数据集上相比PCA实现了平均82.6%的AUC提升，表明其在相似性学习方面有显著改进。
• 该方法相比S-GCN实现了平均42%的AUC提升，证明其在建模复杂脑网络结构方面的优越性。
• 高阶邻近性的整合显著增强了学习到的图表示在临床预测中的判别能力。
• 该框架在多样化fMRI脑网络数据集上表现出良好的泛化能力，支持其在真实临床研究中的应用。
• 结果表明，在脑网络中建模长程结构依赖关系对于神经影像中准确的相似性估计至关重要。
• 该框架在基于图的相似性学习中，展现出在脑疾病诊断与认知功能监测方面的强大潜力。