Identifying Influential nodes in Brain Networks via Self-Supervised Graph-Transformer

要約

脳ネットワークにおける影響力のあるノード (I ノード) を研究することは、脳イメージングの分野において非常に重要です。
既存の研究のほとんどは、脳の接続ハブを I ノードとして考慮しています。
ただし、このアプローチはグラフ理論からの事前知識に大きく依存しているため、特にそのアーキテクチャが完全に理解されていない場合、脳ネットワークの固有の特性を見落とす可能性があります。
対照的に、自己教師あり深層学習は、意味のある表現をデータから直接学習できます。
このアプローチにより、脳ネットワークの I ノードの探索が可能になりますが、これも現在の研究では不足しています。
この論文では、I ノードを識別するための Graph-Transformer (SSGR-GT) に基づく自己教師ありグラフ再構成フレームワークを提案します。これには 3 つの主な特徴があります。
まず、SSGR-GT は自己教師ありモデルとして、再構成に対する脳ノードの重要性を抽出します。
第 2 に、SSGR-GT は、脳グラフから特徴を抽出し、ローカル特性とグローバル特性の両方を組み合わせるのに適した Graph-Transformer を使用します。
第三に、I ノードのマルチモーダル分析では、グラフベースの融合テクノロジーを使用し、脳の機能情報と構造情報を組み合わせます。
私たちが取得した I ノードは、上前頭葉、外側頭頂葉、外側後頭葉などの重要な領域に分布しており、さまざまな実験で合計 56 個が特定されました。
これらの I ノードは、他の領域よりも多くの脳ネットワークに関与しており、より長い繊維接続を持ち、構造接続においてより中心的な位置を占めています。
また、機能ネットワークと構造ネットワークの両方で強力な接続性と高いノード効率を示します。
さらに、I ノードと構造的および機能的なリッチクラブの間には、かなりの重複があります。
これらの発見は、脳ネットワーク内の I ノードについての理解を深め、脳の働きメカニズムをさらに理解するための将来の研究に新たな洞察を提供します。

要約(オリジナル)

Studying influential nodes (I-nodes) in brain networks is of great significance in the field of brain imaging. Most existing studies consider brain connectivity hubs as I-nodes. However, this approach relies heavily on prior knowledge from graph theory, which may overlook the intrinsic characteristics of the brain network, especially when its architecture is not fully understood. In contrast, self-supervised deep learning can learn meaningful representations directly from the data. This approach enables the exploration of I-nodes for brain networks, which is also lacking in current studies. This paper proposes a Self-Supervised Graph Reconstruction framework based on Graph-Transformer (SSGR-GT) to identify I-nodes, which has three main characteristics. First, as a self-supervised model, SSGR-GT extracts the importance of brain nodes to the reconstruction. Second, SSGR-GT uses Graph-Transformer, which is well-suited for extracting features from brain graphs, combining both local and global characteristics. Third, multimodal analysis of I-nodes uses graph-based fusion technology, combining functional and structural brain information. The I-nodes we obtained are distributed in critical areas such as the superior frontal lobe, lateral parietal lobe, and lateral occipital lobe, with a total of 56 identified across different experiments. These I-nodes are involved in more brain networks than other regions, have longer fiber connections, and occupy more central positions in structural connectivity. They also exhibit strong connectivity and high node efficiency in both functional and structural networks. Furthermore, there is a significant overlap between the I-nodes and both the structural and functional rich-club. These findings enhance our understanding of the I-nodes within the brain network, and provide new insights for future research in further understanding the brain working mechanisms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google