Self-supervised Graph Transformer with Contrastive Learning for Brain Connectivity Analysis towards Improving Autism Detection

📄 arXiv: 2501.16346v1 📥 PDF

作者: Yicheng Leng, Syed Muhammad Anwar, Islem Rekik, Sen He, Eung-Joo Lee

分类: cs.LG, cs.AI

发布日期: 2025-01-18

💡 一句话要点

提出基于对比学习的自监督图Transformer，用于脑连接分析以提升自闭症检测。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 自闭症检测 脑连接分析 图Transformer 对比学习 自监督学习 功能性磁共振成像 脑网络

📋 核心要点

  1. 现有脑网络分析方法缺乏有效利用fMRI数据内在连接信息的能力，限制了自闭症检测的准确性。
  2. 论文提出一种基于对比学习的自监督图Transformer框架，通过随机图改变增强模型的泛化能力。
  3. 在ABIDE数据集上的实验表明，该方法在自闭症检测任务中取得了显著的性能提升，AUROC达到82.6%。

📝 摘要（中文）

功能性磁共振成像(fMRI)为研究任务态或静息态下的大脑功能提供了有用的视角。使用相关矩阵表示fMRI数据被认为是分析大脑内在连接的一种可靠方法。图神经网络(GNNs)因其固有的可解释性而被广泛应用于脑网络分析。本文提出了一种新颖的框架，该框架使用对比自监督学习图Transformer，并结合了带有随机图改变的脑网络Transformer编码器。所提出的网络利用对比学习和图改变来有效地训练图Transformer以进行自闭症检测。在自闭症脑成像数据交换(ABIDE)数据上的测试表明，我们的方法表现出卓越的自闭症检测性能，AUROC达到82.6，准确率达到74%，超过了当前最先进的方法。

🔬 方法详解

问题定义：论文旨在解决利用fMRI数据进行自闭症检测的问题。现有方法，特别是传统的GNN方法，可能无法充分捕捉fMRI数据中复杂的脑连接模式，并且缺乏有效的自监督学习策略来利用未标记的数据，导致模型泛化能力不足。

核心思路：论文的核心思路是利用对比学习来训练一个图Transformer，使其能够学习到鲁棒的脑连接表示。通过对原始脑网络进行随机扰动，生成不同的视图，然后利用对比学习的目标函数，使得模型能够区分不同的个体，同时对同一个个体的不同视图保持一致的表示。

技术框架：整体框架包含以下几个主要模块：1) 脑网络构建：利用fMRI数据构建脑连接图，节点代表大脑区域，边代表区域之间的功能连接强度。2) 图Transformer编码器：使用Transformer结构对脑网络进行编码，提取节点和边的特征表示。3) 随机图改变：对原始脑网络进行随机扰动，例如随机删除或添加边，生成不同的视图。4) 对比学习：利用对比学习的目标函数，训练图Transformer编码器，使其能够学习到鲁棒的脑连接表示。5) 分类器：使用学习到的脑连接表示进行自闭症分类。

关键创新：论文的关键创新在于将对比学习和图Transformer结合起来，用于脑网络分析。传统的GNN方法通常需要大量的标记数据进行训练，而对比学习可以利用未标记的数据进行自监督学习，从而提高模型的泛化能力。此外，随机图改变可以增强模型的鲁棒性，使其能够更好地适应不同的脑网络结构。

关键设计：论文的关键设计包括：1) 图Transformer结构：采用了标准的Transformer结构，并针对脑网络的特点进行了优化。2) 随机图改变策略：采用了多种随机图改变策略，例如随机删除边、随机添加边等。3) 对比学习损失函数：采用了InfoNCE损失函数，用于最大化同一个个体的不同视图之间的相似性，同时最小化不同个体之间的相似性。4) 超参数设置：对学习率、batch size等超参数进行了精细的调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

该方法在ABIDE数据集上进行了评估，取得了显著的性能提升。具体来说，AUROC达到了82.6%，准确率达到了74%，超过了当前最先进的方法。与传统的GNN方法相比，该方法在AUROC上提升了约5-10个百分点，表明了其在自闭症检测方面的优越性。

🎯 应用场景

该研究成果可应用于自闭症的早期诊断和辅助诊断，通过分析fMRI数据，为临床医生提供客观的生物学指标，辅助其进行诊断决策。此外，该方法还可以推广到其他脑部疾病的诊断和预测，例如阿尔茨海默病、精神分裂症等，具有广阔的应用前景。

📄 摘要（原文）

Functional Magnetic Resonance Imaging (fMRI) provides useful insights into the brain function both during task or rest. Representing fMRI data using correlation matrices is found to be a reliable method of analyzing the inherent connectivity of the brain in the resting and active states. Graph Neural Networks (GNNs) have been widely used for brain network analysis due to their inherent explainability capability. In this work, we introduce a novel framework using contrastive self-supervised learning graph transformers, incorporating a brain network transformer encoder with random graph alterations. The proposed network leverages both contrastive learning and graph alterations to effectively train the graph transformer for autism detection. Our approach, tested on Autism Brain Imaging Data Exchange (ABIDE) data, demonstrates superior autism detection, achieving an AUROC of 82.6 and an accuracy of 74%, surpassing current state-of-the-art methods.