Multimodal brain age estimation using interpretable adaptive population-graph learning

要約

脳年齢の推定は、アルツハイマー病などの神経変性疾患に関して貴重な情報を提供できるため、臨床的に重要です。
母集団グラフには、被験者のマルチモーダル画像情報と母集団間の関係が含まれており、グラフ畳み込みネットワーク (GCN) とともに文献で使用されており、さまざまな医用画像タスクに有益であることが証明されています。
人口グラフは通常静的であり、非画像情報を使用して手動で構築されます。
ただし、グラフの構築は簡単な作業ではなく、本質的にグラフ構造に非常に敏感な GCN のパフォーマンスに大きな影響を与える可能性があります。
この研究では、下流タスクに最適化された人口グラフ構造を学習するフレームワークを提案します。
アテンション メカニズムは、画像化および非画像化の特徴 (表現型) のセットに重みを割り当て、それらはエッジ抽出に使用されます。
結果のグラフは GCN のトレーニングに使用されます。
パイプライン全体をエンドツーエンドでトレーニングできます。
さらに、グラフ構築に最も重要な注目の重みを視覚化することで、グラフの解釈可能性を高めます。
私たちは、脳年齢の回帰と分類に関する私たちの方法を評価するために、さまざまな神経画像表現型と非画像表現型を提供する UK Biobank を使用します。
提案された方法は、競合する静的グラフ アプローチやその他の最先端の適応方法よりも優れています。
さらに、割り当てられた注意スコアは、脳年齢推定に有益な画像表現型と非画像表現型の両方が存在することを示しており、関連文献と一致していることを示します。

要約(オリジナル)

Brain age estimation is clinically important as it can provide valuable information in the context of neurodegenerative diseases such as Alzheimer’s. Population graphs, which include multimodal imaging information of the subjects along with the relationships among the population, have been used in literature along with Graph Convolutional Networks (GCNs) and have proved beneficial for a variety of medical imaging tasks. A population graph is usually static and constructed manually using non-imaging information. However, graph construction is not a trivial task and might significantly affect the performance of the GCN, which is inherently very sensitive to the graph structure. In this work, we propose a framework that learns a population graph structure optimized for the downstream task. An attention mechanism assigns weights to a set of imaging and non-imaging features (phenotypes), which are then used for edge extraction. The resulting graph is used to train the GCN. The entire pipeline can be trained end-to-end. Additionally, by visualizing the attention weights that were the most important for the graph construction, we increase the interpretability of the graph. We use the UK Biobank, which provides a large variety of neuroimaging and non-imaging phenotypes, to evaluate our method on brain age regression and classification. The proposed method outperforms competing static graph approaches and other state-of-the-art adaptive methods. We further show that the assigned attention scores indicate that there are both imaging and non-imaging phenotypes that are informative for brain age estimation and are in agreement with the relevant literature.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google