《Graph Neural Network for Interpreting Task-fMRI Biomarkers》阅读笔记

---

前言

2019年MICCAI的文章，也是李霄霄大佬组的文章。Individual-level的，不过用的是任务态的核磁数据。

---

一、模型

上图包含了两个阶段。第一个阶段（上半部分） 是在整个脑网络上训练出分类效果良好的GNN模型；第二个阶段（下半部分）则是将模型在子图上进行验证，并探索哪些区域是ASD的生物标志。

1.图的定义

我看了挺多文章的，只有这篇文章里定义了边的属性。不过在2020年MICCAI的文章中又没有用边的属性。

节点集：  $V=(v_1,v_2,...,v_n{)}^T\in R^{N\times D}$，$D$是节点的属性维度。

节点属性： $v_1\in R^{10}$。度、GLM系数（${\beta }_1$,${\beta }_2$,${\beta }_3$,${\beta }_4$）、BOLD的均值及标准差、ROI坐标（$x$,$y$,$z$）。

      经过Box-Cox变化，使每一维属性呈正态分布。

边集：   $E=[e_{ij}]\in R^{N\times N\times F}$，$F$为边的属性维度。

边属性：  $e_{ij}\in R^3$。皮尔逊相关系数、偏相关系数、$exp(-r_{ij}/10)$（$r_{ij}$为两个ROI之间的几何距离）。

邻接关系： $a_{ij}=\{\begin{array}{l}r,r\ge q\\ 0,otherwise\end{array}$。其中$r$代表偏相关系数，$q$则为偏相关系数的第95百分位。

注：这篇文章是随机取ROI内1/3体素的均值作为该区域的时间序列。这样的处理方法可用于样本扩充。

2.GNN

节点更新公式：

其中$\sigma (.)$为$ReLU$激活函数；$N(i)$表示节点$i$的一阶邻居；$\Theta \in R^{(l)\times (l-1)}$是可学习矩阵；$h_{\Phi }$则MLP，将边属性$e_{ij}$映射为$d^{(l)}\times d^{(l-1)}$矩阵。

池化用的是Top-K的方式：

$w$是一个可学习的投影向量；$||.||$是$L_2$范式。吐槽一下这个排版。

然后需要一个Readout层来总结出全局向量$s$。文章中采用了skip-connection的方法来拼接多层的向量$s^{(l)}$。

3.数据敏感性

作者将整个脑网络划分为多个子图，探讨模型对子图的分类效果，并进一步探索每个ROI的重要性，以找到具有标志性的区域。

定义$G_s=(V_s,E_s)$为被试$s$，$s=1,...,S$。将$S$个边属性张量$E_s$中的偏相关系数矩阵拼接成三维张量$\tau \in R^{N\times N\times S}$。

第一步，将节点聚成多个簇。这里用到了parafac张量分解方法，对三维张量$\tau \in R^{N\times N\times S}$进行分解。

$a_j=b_j\in R^N$，$c_j\in R^S$，$R$为秩（簇的数量）。

若$a_{ji}>mean(a_j)+std(a_j)$，则节点$i$属于簇$j$，记为$i_j$。其中$a_{ji}$表示向量$a_j$的第$i$个元素。


第二步，计算每个节点的重要程度。记被试$s$的第$j$个子图为$G_{sj}=((V_s{)}_{i_j,:},(E_s{)}_{i_j,i_j})$。为每个子图计算ECC分数：

$c_s$为被试$s$的真实标签；$p\leftarrow (pS+1)/(S+2)$，防止除数为0。

节点$k$的重要程度计算如下所示：

节点的得分越高，越可能是生物标志。

二、实验

1.对比实验

2.可视化

假设：GNN模型的分类性能越好，那么找到生物标志的概率就越高。实验仅在训练集上做。

作者将这两个子图作为GNN的输入，重新训练了GNN模型，最终得到的分类准确率为78.9%。

3.鲁棒性

作者用了两个不同的脑谱图以及不同数量的簇重新做了实验，探讨不同的构图方式是否影响网络的可靠性。

---