28 décembre 2017

Apprentissage métrique avec convolutions de graphe spectral sur les réseaux de connectivité du cerveau

Aperçu: G.M.
Les représentations graphiques sont souvent utilisées pour modéliser des données structurées au niveau individuel ou de la population et ont de nombreuses applications dans les problèmes de reconnaissance de formes. Dans le domaine des neurosciences, où de telles représentations sont couramment utilisées pour modéliser la connectivité structurelle ou fonctionnelle entre un ensemble de régions du cerveau, les graphiques se sont révélés d'une grande importance. Ceci est principalement dû à la capacité de révéler des modèles liés au développement du cerveau et à la maladie, qui étaient auparavant inconnus. L'évaluation de la similarité entre ces réseaux de connectivité du cerveau d'une manière qui rend compte de la structure du graphe et qui est adaptée à une application particulière est, cependant, non triviale. La plupart des méthodes existantes ne tiennent pas compte de la structure du graphique, rejetant des informations qui pourraient être utiles pour d'autres analyses de classification ou de régression basées sur ces similitudes. 
L'équipe propose d'apprendre une métrique de similarité de graphes en utilisant un réseau de neurones convolutionnels de graphes siamois (s-GCN) dans un cadre supervisé.  
Le cadre proposé prend en considération la structure de graphe pour l'évaluation de la similarité entre une paire de graphes, en employant des convolutions de graphe spectral qui permettent la généralisation de convolutions traditionnelles à des graphes irréguliers et opère dans le domaine spectral de graphe.  
Le modèle proposé est appliqué sur deux bases de données: la base de données ABIDE, qui comprend des données IRM fonctionnelles de 403 patients avec un diagnostic de "trouble du spectre de l'autisme" et 468 témoins sans troubles regroupés à partir de plusieurs sites d'acquisition, et un ensemble de 2500 sujets de UK Biobank.  
L'étude démontre la performance de la méthode pour les tâches de classification entre les graphes appariés et non-appariés, ainsi que la classification individuelle des sujets et l'apprentissage multiple, montrant que cela conduit à des résultats significativement améliorés par rapport aux méthodes traditionnelles.

Neuroimage. 2017 Dec 23. pii: S1053-8119(17)31076-5. doi: 10.1016/j.neuroimage.2017.12.052.

Metric learning with spectral graph convolutions on brain connectivity networks

Author information

1
Biomedical Image Analysis Group, Imperial College London, UK. Electronic address: ira.ktena@imperial.ac.uk.
2
Biomedical Image Analysis Group, Imperial College London, UK.
3
Biomedical Image Analysis Group, Imperial College London, UK; Universidad Nacional del Litoral / CONICET, Santa Fe, Argentina.

Abstract

Graph representations are often used to model structured data at an individual or population level and have numerous applications in pattern recognition problems. In the field of neuroscience, where such representations are commonly used to model structural or functional connectivity between a set of brain regions, graphs have proven to be of great importance. This is mainly due to the capability of revealing patterns related to brain development and disease, which were previously unknown. Evaluating similarity between these brain connectivity networks in a manner that accounts for the graph structure and is tailored for a particular application is, however, non-trivial. Most existing methods fail to accommodate the graph structure, discarding information that could be beneficial for further classification or regression analyses based on these similarities. We propose to learn a graph similarity metric using a siamese graph convolutional neural network (s-GCN) in a supervised setting. The proposed framework takes into consideration the graph structure for the evaluation of similarity between a pair of graphs, by employing spectral graph convolutions that allow the generalisation of traditional convolutions to irregular graphs and operates in the graph spectral domain. We apply the proposed model on two datasets: the challenging ABIDE database, which comprises functional MRI data of 403 patients with autism spectrum disorder (ASD) and 468 healthy controls aggregated from multiple acquisition sites, and a set of 2500 subjects from UK Biobank. We demonstrate the performance of the method for the tasks of classification between matching and non-matching graphs, as well as individual subject classification and manifold learning, showing that it leads to significantly improved results compared to traditional methods.

Aucun commentaire: