教師なしマルチトポロジー接続脳テンプレート学習を用いた神経疾患診断を促進するための脳グラフ超解像

Brain graph super-resolution for boosting neurological disorder diagnosis using unsupervised multi-topology connectional brain template learning.

• Islem Mhiri
• Anouar Ben Khalifa
• Mohamed Ali Mahjoub
• Islem Rekik

抄録

既存のグラフ解析技術は，一般的に，パターン認識，コンピュータビジョン，医療データ解析などの多様な予測学習タスクにおいて，次元削減，フィルタリング，埋め込みなどの手法を用いて，グラフデータの次元を下げる（ノード，エッジ，またはその両方を削除する）ことに焦点を当てている．しかし、グラフの超解像、すなわち、ｎ個のノードを持つ低解像度（ＬＲ）グラフを、［式：本文参照］ノードを持つ高解像度（ＨＲ）グラフに超解像するという概念が著しく不足している。特に、画像登録やパーセル化などの計算量の多いMRI処理に頼らずに、高解像度の脳のコネク トームを自動的に生成する方法については、未だ研究が進んでいない。このギャップを埋めるために、本研究では、無方向の完全連結グラフを超解像し、脳のコネクノームに応用する初めての手法を提案する。まず、我々が開発したブレイングラフ超解像(BGSR)フレームワークは、対象とするBGSR課題のプロキシとして機能する中心LR母集団ベースのブレイングラフ表現(CBTと呼ばれる)を推定する方法を学習することに根ざしている。具体的には、よく再現された中央揃えのCBTを推定することで、母集団ベースのCBTからの残差距離を介して各LR脳グラフの個性をよりよく捉えることができるのではないかという仮説を立てた。これにより、最終的には、目標予測タスクのためのLR領域の新しいテストグラフに最も類似した個々のグラフを正確に特定することが可能になる。第二に、推定されたLR CBT(すなわち母集団平均)を利用して、推定されたCBTからの全被験者の偏差を捉えた残差LR脳グラフを導出する。第三に、残差LRグラフのペア間の関係をモデル化した残差LR類似度行列を推定することにより、異なるグラフトポロジカル測定値(例えば、度数、親密度、間の距離)を用いて、マルチトポロジLRグラフ多様体を学習する。そして、これらを融合することで、各テスト用LR対象について、最も類似したK個のトレーニング用LRグラフを効果的に識別することができる。最後に、選択されたK個の訓練被験者のHRグラフを平均化することで、欠落している試験用HRグラフを予測する。LR脳機能グラフから予測されたHRは、自閉症被験者の分類結果をLR機能グラフと比較して16.48%向上させた。

Existing graph analysis techniques generally focus on decreasing the dimensionality of graph data (i.e., removing nodes, edges, or both) in diverse predictive learning tasks in pattern recognition, computer vision, and medical data analysis such as dimensionality reduction, filtering and embedding techniques. However, graph super-resolution is strikingly lacking, i.e., the concept of super-resolving low-resolution (LR) graphs with n nodes into high-resolution graphs (HR) with [Formula: see text] nodes. Particularly, learning how to automatically generate HR brain connectomes, without resorting to the computationally expensive MRI processing steps such as image registration and parcellation, remains unexplored. To fill this gap, we propose the first technique to super-resolve undirected fully connected graphs with application to brain connectomes. First, we root our brain graph super-resolution (BGSR) framework in learning how to estimate a centered LR population-based brain graph representation, coined as connectional brain template (CBT), acting as a proxy in the target BGSR task. Specifically, we hypothesize that the estimation of a well-representative and centered CBT would help better capture the individuality of each LR brain graph via its residual distance from the population-based CBT. This will eventually allow an accurate identification of the most similar individual graphs to a new testing graph in the LR domain for the target prediction task. Second, we leverage the estimated LR CBT (i.e., population mean) to derive residual LR brain graphs, capturing the deviation of all subjects from the estimated CBT. Third, we learn multi-topology LR graph manifolds using different graph topological measurements (e.g., degree, closeness, betweenness) by estimating residual LR similarity matrices modeling the relationship between pairs of residual LR graphs. These are then fused so we can effectively identify for each testing LR subject its most K similar training LR graphs. Last, the missing testing HR graph is predicted by averaging the HR graphs of the K selected training subjects. Predicted HR from LR functional brain graphs boosted classification results for autistic subjects by 16.48% compared with LR functional graphs.

Copyright © 2020 Elsevier B.V. All rights reserved.