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
Ktena SI1, Parisot S2, Ferrante E3, Rajchl M2, Lee M2, Glocker B2, Rueckert D2.
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.
- PMID:29278772
- DOI:10.1016/j.neuroimage.2017.12.052
