Contrastive Graph Pooling for Explainable Classification of Brain Networks

要約

機能的磁気共鳴画像法 (fMRI) は、神経活動を測定するために一般的に使用される技術です。
その応用は、パーキンソン病、アルツハイマー病、自閉症などの根底にある神経変性疾患を特定する際に特に重要です。
最近の fMRI データの分析では、脳をグラフとしてモデル化し、グラフ ニューラル ネットワーク (GNN) によって特徴を抽出しています。
ただし、fMRI データの独特の特性には、GNN の特別な設計が必要です。
効果的でドメイン説明可能な特徴を生成するために GNN を調整することは依然として困難です。
この論文では、脳ネットワークに GNN をより有効に活用し、fMRI 固有の要件を満たすために、コントラスト二重注意ブロックと ContrastPool と呼ばれる微分可能グラフ プーリング手法を提案します。
私たちは、3 つの疾患の 5 つの安静状態 fMRI 脳ネットワーク データセットにこの方法を適用し、最先端のベースラインよりも優れていることを実証します。
私たちのケーススタディは、私たちの方法によって抽出されたパターンが神経科学文献の分野の知識と一致し、直接的で興味深い洞察を明らかにすることを確認しています。
私たちの貢献は、脳ネットワークと神経変性状態の理解を進めるための ContrastPool の可能性を強調しています。
ソース コードは https://github.com/AngusMonroe/ContrastPool で入手できます。

要約(オリジナル)

Functional magnetic resonance imaging (fMRI) is a commonly used technique to measure neural activation. Its application has been particularly important in identifying underlying neurodegenerative conditions such as Parkinson’s, Alzheimer’s, and Autism. Recent analysis of fMRI data models the brain as a graph and extracts features by graph neural networks (GNNs). However, the unique characteristics of fMRI data require a special design of GNN. Tailoring GNN to generate effective and domain-explainable features remains challenging. In this paper, we propose a contrastive dual-attention block and a differentiable graph pooling method called ContrastPool to better utilize GNN for brain networks, meeting fMRI-specific requirements. We apply our method to 5 resting-state fMRI brain network datasets of 3 diseases and demonstrate its superiority over state-of-the-art baselines. Our case study confirms that the patterns extracted by our method match the domain knowledge in neuroscience literature, and disclose direct and interesting insights. Our contributions underscore the potential of ContrastPool for advancing the understanding of brain networks and neurodegenerative conditions. The source code is available at https://github.com/AngusMonroe/ContrastPool.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google