Predicting Infant Brain Connectivity with Federated Multi-Trajectory GNNs using Scarce Data

要約

生後 1 年間の乳児の脳ネットワークの複雑な進化を理解することは、初期の脳接続発達の動態を特定する上で極めて重要です。
既存の深層学習ソリューションには 3 つの大きな制限があります。
まず、各グラフ軌跡が特定の画像モダリティまたは接続タイプ (T1-w MRI など) に対応する、複数の軌跡予測タスクに一般化することができません。
第 2 に、既存のモデルでは満足のいくパフォーマンスを達成するために広範なトレーニング データセットが必要ですが、これを取得するのが困難なことがよくあります。
第三に、不完全な時系列データが効率的に利用されていません。
これらの制限に対処するために、フェデレーテッド グラフベースのマルチトラジェクトリ進化ネットワークである FedGmTE-Net++ を導入します。
フェデレーションの力を利用して、限られたデータセットを使用して多様な病院間のローカルな学習を集約します。
その結果、データのプライバシーを維持しながら、各病院のローカル生成モデルのパフォーマンスを強化します。
FedGmTE-Net++ の 3 つの主要な革新は次のとおりです: (i) データ不足の環境における脳の複数軌道進化予測のために特別に設計された初の連合学習フレームワークを提示する、(ii) すべてを活用するためにローカル目的関数に補助正則化機能を組み込む
(iii) 2 段階の代入プロセスを導入します。このプロセスは、予備的な KNN ベースの事前補完と、それに続く類似性スコアの改善と代入の洗練のためにリグレッサーを使用する代入洗練ステップで構成されます。
私たちの包括的な実験結果は、単一のベースライン グラフからの脳の複数軌道予測において、ベンチマーク手法と比較して FedGmTE-Net++ のパフォーマンスが優れていることを示しました。

要約(オリジナル)

The understanding of the convoluted evolution of infant brain networks during the first postnatal year is pivotal for identifying the dynamics of early brain connectivity development. Existing deep learning solutions suffer from three major limitations. First, they cannot generalize to multi-trajectory prediction tasks, where each graph trajectory corresponds to a particular imaging modality or connectivity type (e.g., T1-w MRI). Second, existing models require extensive training datasets to achieve satisfactory performance which are often challenging to obtain. Third, they do not efficiently utilize incomplete time series data. To address these limitations, we introduce FedGmTE-Net++, a federated graph-based multi-trajectory evolution network. Using the power of federation, we aggregate local learnings among diverse hospitals with limited datasets. As a result, we enhance the performance of each hospital’s local generative model, while preserving data privacy. The three key innovations of FedGmTE-Net++ are: (i) presenting the first federated learning framework specifically designed for brain multi-trajectory evolution prediction in a data-scarce environment, (ii) incorporating an auxiliary regularizer in the local objective function to exploit all the longitudinal brain connectivity within the evolution trajectory and maximize data utilization, (iii) introducing a two-step imputation process, comprising a preliminary KNN-based precompletion followed by an imputation refinement step that employs regressors to improve similarity scores and refine imputations. Our comprehensive experimental results showed the outperformance of FedGmTE-Net++ in brain multi-trajectory prediction from a single baseline graph in comparison with benchmark methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google