グラフディープラーニングに基づく脳ネットワークの異常予測手法の開発

A new method to predict anomaly in brain network based on graph deep learning.

• Jalal Mirakhorli
• Hamidreza Amindavar
• Mojgan Mirakhorli

抄録

脳疾患や機能障害の研究に用いられる神経画像法である機能的磁気共鳴イメージングは、近年、脳の接続部のトポロジーをマッピングすることで改良され、コネクトピックマッピングと呼ばれるようになっています。健康な脳と不健康な脳の領域や機能が微妙に異なることから、脳の機能的・構造的ネットワークの複雑なトポロジーを研究することは、評価手段の発達を考えるとあまりにも複雑です。不規則グラフ深層学習の応用の一つとして、遺伝子発現や関連する分布空間パターンに関連したヒトの認知機能の解析がある。活動パターンや機能的接続性が異なる脳の神経細胞ネットワークには、様々な脳内解が動的に保持されているため、ノード中心のタスクとグラフ中心のタスクの両方がこの応用に関与している。本研究では、特定のタスクの実行時や安静時の異常な接続性を持つ脳の関心領域認識領域や不規則な観測を分解するために、個別生成モデルと高次グラフ解析を用いた。そこで本論文では、大規模データ間の強固な非剛体グラフを学習する過程で潜在空間を最適化するためにGenerative Adversarial Networkを用いた脳イメージング研究における機能データの解析に、ガウス分布器を用いたVariational Graph Autoencoderの高次フレームワークを提案した。さらに、脳の異常な接続部において可能な相関のモードを区別した。私たちの目的は、影響を受けた領域とその同時発生の相関の程度を時間的に見出すことでした。これを利用して、脳疾患の診断や、入力刺激に応じてあらゆる角度から脳のトポロジーや脳の可塑性を変化させる神経系の能力を示すことができます。本研究では、特にアルツハイマー病に着目した。

Functional magnetic resonance imaging a neuroimaging technique which is used in brain disorders and dysfunction studies, has been improved in recent years by mapping the topology of the brain connections, named connectopic mapping. Based on the fact that healthy and unhealthy brain regions and functions differ slightly, studying the complex topology of the functional and structural networks in the human brain is too complicated considering the growth of evaluation measures. One of the applications of irregular graph deep learning is to analyze the human cognitive functions related to the gene expression and related distributed spatial patterns. Since a variety of brain solutions can be dynamically held in the neuronal networks of the brain with different activity patterns and functional connectivity, both node-centric and graph-centric tasks are involved in this application. In this study, we used an individual generative model and high order graph analysis for the region of interest recognition areas of the brain with abnormal connection during performing certain tasks and resting-state or decompose irregular observations. Accordingly, a high order framework of Variational Graph Autoencoder with a Gaussian distributer was proposed in the paper to analyze the functional data in brain imaging studies in which Generative Adversarial Network is employed for optimizing the latent space in the process of learning strong non-rigid graphs among large scale data. Furthermore, the possible modes of correlations were distinguished in abnormal brain connections. Our goal was to find the degree of correlation between the affected regions and their simultaneous occurrence over time. We can take advantage of this to diagnose brain diseases or show the ability of the nervous system to modify brain topology at all angles and brain plasticity according to input stimuli. In this study, we particularly focused on Alzheimer's disease.