本文由东北大学医学图像智能计算教育部重点实验室，加拿大阿尔伯塔大学于2022年1.19日发表于<Computers in Biology and Medicine> JCR\IF: Q1\7.7

Abstract：

目的:近年来，脑功能网络(FBN)已被用于神经系统疾病的分类，如自闭症谱系障碍(ASD)。由于实验对象的高度异质性和脑网络中的噪声相关性，用FBN诊断神经系统疾病是一项具有挑战性的任务。同时，现有的深度学习模型很难对大脑网络提供可解释的见解。我们提出了一种神经系统疾病分类的机器学习方法，同时提供了一个可解释的框架。

方法:在本文中，我们建立在图神经网络的基础上，以端到端方式学习大脑网络的有效表示。具体而言，我们提出了一种基于先验脑结构学习的多视图图卷积神经网络(MVS-GCN)，该网络将图结构学习和多任务图嵌入学习相结合，以提高分类性能并识别潜在的功能子网络。

结果:为了证明我们的方法的有效性，我们评估了所提出的方法在自闭症脑成像数据交换(ABIDE)数据集和阿尔茨海默病神经成像倡议(ADNI)数据集上的性能。实验结果表明，与现有的方法相比，我们的MVS-GCN可以实现更高的性能。值得注意的是，MVS-GCN在ABIDE数据集上的平均准确率/AUC为69.38%/ 69.01%。此外，从我们的模型中获得的结果与之前的神经影像学证据显示出ASD网络内和网络间生物标志物的高度一致性。发现的子网被用作MVS-GCN模型的证据。

结论:本文提出的MVS-GCN方法从多视图图嵌入学习的角度进行图嵌入学习，同时考虑消除脑网络的异质性，增强功能子网络的特征表示，能够捕获必要的嵌入，提高脑障碍诊断的分类性能。

论文地址：

MVS-GCN: A prior brain structure learning-guided multi-view graph convolution network for autism spectrum disorder diagnosis - ScienceDirect

模型代码：

 https://github.com/ GuangqiWen/MVS-GCN

EEG为何能使用GCN处理？

1、原始的大脑网络具有丰富的拓扑连通性，是一种非欧式数据，所以可以使用GCN来处理。

2、大脑网络具有复杂的结构，其本质上可以被表示为一组节点和边的图。图中的节点表示大脑区域，边缘表示区域之间的连接。目前，该图是脑部疾病诊断中最常用的脑网络表示。

目前，使用GCN的图分类，去分类（诊断）某个脑疾病，存在以下挑战：

挑战1：如何克服异构数据

脑部疾病信号涉及图一中多个中心数据，存在多种不同的数据分布，而多中心主要挑战是数据的异质性，因为患者个体情况（大脑的个体差异性+患病情况）和疾病扫描方案不同。所以，在多中心数据集上训练单一预测模型对捕获异构数据的有效特征具有挑战性。

挑战2：如何在图嵌入学习中保留图结构

大脑神经成像的图像中存在不可避免地噪声，这些噪声导致大脑网络的图嵌入效果变差

挑战3：处理EEG的GCN的可解释性

模型分类结果的可解释性可以帮助人们在诊断时做出决策，然而现有的深度学习模型对大脑网络的可解释性一直是一个挑战。在临床中，可以通过识别一些亚生物标志物来帮助人们了解某个脑疾病的组织和改变，但是因为大脑空间的复杂对上述标志物技术也是困难。

step1：所有的方法第一步都是构建连接矩阵

step2：传统的ML、CNNs是人工（自动）提取特征最后再分类，提取的特征表示了大脑网络，问题只不过是提取特征的表达能力的强弱

本文为了解决大脑网络结构复杂的问题，提出了一种图结构学习算法，该模型能同时进行图结构学习+图嵌入学习来提高分类性能，以促进构建更常见、更清晰的大脑网络，我们可以把脑疾病诊断判断看作一个图分类问题:

本文贡献如下：

1、我们提出了一种图结构学习算法，该算法能够通过监督学习方案自适应地构建一个干净的大脑网络。与全脑网络相比，粗化图表示有利于脑网络嵌入学习和疾病诊断。此外，图结构学习通过突出指示边来考虑来自多个站点的受试者的组级一致性，从而消除了大脑网络中的噪声相关性。

2、为了提高疾病诊断的性能，我们提出了一个多视图脑网络嵌入学习框架。多视图脑网络嵌入学习可以获得更丰富的脑拓扑结构信息，有助于疾病分类。

3、我们引入先验知识(关于与ASD相关的功能子网络结构)来约束脑网络的构建。我们提出了一种先验子网络结构正则化来获得更多潜在的关键拓扑信息。

4、在自闭症谱系障碍(Autism Spectrum Disorder, ASD)诊断和阿尔茨海默病(Alzheimer 's disease, AD)诊断两种实际医学临床应用中进行了大量实验，显示了所提出框架的有效性。实验结果表明，从个体大脑网络和全球人口网络的相关性中进行网络嵌入学习可以提高预测性能。

下面就是介绍GCN的原理和核心数学公式，以及传统的CNN模型为何不能处理图数据（非欧式数据）

模型结构：

1、图结构学习(GSL)

针对异构和噪声的大脑网路的图结构学习，也就是通过连接不同集群节点的功能连接的权重得到增强，删除集群内的节点和连接

2、脑网络不同视图的多任务图嵌入学习(MVL)

生成不同视角的脑网络：使用阈值。多个阈值生成多个稀疏级的脑网络，这些网络可以反应原始脑网络不同拓扑结构的水平，不同水平的拓扑结构可以作为一个不同的视角图，每个脑视角图之间存在相关性

阈值：大规模、中规模、小规模

3、视图一致性正则化(VCR)和先验子网络结构正则化(SNR)

这些归一化的目的是优化不同大脑网络视图，使得它们变得相似。

模型最终目的：

通过突出脑网络中分类的关键节点，把所有异构的脑网络图转为统一的图空间，从而得到一个更简洁清晰的大脑网络。

论文指出：

1、深度学习模型的强大之处在于能够从高维神经成像数据中自动发现潜在或更高层次的信息，这可能是理解复杂精神障碍的重要一步

2、从大脑多个视觉角度来看，不同角度的大脑网络图包含了人脑内在的相关性。为了避免单一视角网络图造成的信息丢失和偏差，应该建立多视角嵌入学习方式。再做正则化、保证多视图之间的特征表征的一致性

实验回答的问题：

1、与最先进的方法相比，我们提出的MVS-GCN性能如何?

2:图结构学习是否有利于大脑网络分类?

3:提出的视图一致性正则化和先验子网络结构正则化对脑网络嵌入学习有效吗?

4:我们提出的方法受关键超参数(包括超节点和视图的数量)的影响有多大?

5:我们的模型获得的可解释性与之前的发现一致吗?

数据：在自闭症脑成像数据交换(ABIDE)和阿尔茨海默病神经成像倡议(ADNI)中评估了我们的模型。

结果：

结论：

尽管图卷积神经网络在脑网络分析领域取得了巨大的突破，但脑网络上的图嵌入学习面临着一些挑战，包括受试者的异质性和脑网络中的噪声连接。

本文提出了一种基于先验脑结构学习的多视图图卷积神经网络(MVS-GCN)，该网络将图结构学习与多任务图嵌入学习相结合，以提高分类性能并识别潜力功能子网。我们在公开的ABIDE数据集和ADNI数据集上进行了大量的实验来验证我们模型的有效性，这表明我们的MVS-GCN与最先进的方法(包括替代传统方法、基于gns的方法和非图深度学习方法)相比，取得了令人满意的性能。