NeuroGraph: Benchmarks for Graph Machine Learning in Brain Connectomics

要約

機械学習は、高次元の機能的な神経画像データを分析するための貴重なツールを提供し、さまざまな神経学的状態、精神疾患、および認知パターンの予測に効果的であることが証明されています。
機能的磁気共鳴画像法 (MRI) 研究では、脳領域間の相互作用は一般にグラフベースの表現を使用してモデル化されます。
グラフ機械学習手法の有効性は無数の領域にわたって確立されており、データ解釈と予測モデリングにおける変革の一歩を示しています。
しかし、その期待にもかかわらず、潜在的な前処理パイプラインの数が膨大であることと、グラフベースのデータセット構築のためのパラメータ検索空間が大きいため、これらの技術を神経画像領域に置き換えることは困難でした。
この論文では、グラフベースの神経画像データセットのコレクションである NeuroGraph を紹介し、複数のカテゴリの行動特性と認知特性を予測するためのその有用性を実証しました。
私たちは、静的および動的脳接続を包含する 35 のデータセットを作成し、ベンチマーク用の 15 を超えるベースライン手法を実行することで、データセット生成の検索空間を深く掘り下げました。
さらに、静的グラフと動的グラフの両方で学習するための汎用フレームワークも提供します。
私たちの広範な実験により、いくつかの重要な観察結果が得られました。
特に、相関ベクトルをノード特徴として使用し、より多くの関心領域を組み込み、よりスパースなグラフを使用すると、パフォーマンスの向上につながります。
グラフベースのデータ駆動型神経画像解析のさらなる進歩を促進するために、ベンチマーク データセット、ベースライン実装、モデル トレーニング、標準評価を含む包括的なオープンソース Python パッケージを提供します。

要約(オリジナル)

Machine learning provides a valuable tool for analyzing high-dimensional functional neuroimaging data, and is proving effective in predicting various neurological conditions, psychiatric disorders, and cognitive patterns. In functional magnetic resonance imaging (MRI) research, interactions between brain regions are commonly modeled using graph-based representations. The potency of graph machine learning methods has been established across myriad domains, marking a transformative step in data interpretation and predictive modeling. Yet, despite their promise, the transposition of these techniques to the neuroimaging domain has been challenging due to the expansive number of potential preprocessing pipelines and the large parameter search space for graph-based dataset construction. In this paper, we introduce NeuroGraph, a collection of graph-based neuroimaging datasets, and demonstrated its utility for predicting multiple categories of behavioral and cognitive traits. We delve deeply into the dataset generation search space by crafting 35 datasets that encompass static and dynamic brain connectivity, running in excess of 15 baseline methods for benchmarking. Additionally, we provide generic frameworks for learning on both static and dynamic graphs. Our extensive experiments lead to several key observations. Notably, using correlation vectors as node features, incorporating larger number of regions of interest, and employing sparser graphs lead to improved performance. To foster further advancements in graph-based data driven neuroimaging analysis, we offer a comprehensive open-source Python package that includes the benchmark datasets, baseline implementations, model training, and standard evaluation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google