基于拓扑感知对抗图神经网络的脑多重图预测研究学术报告

作者及发表信息

本研究由Alaa Bessadok（伊斯坦布尔理工大学Basira实验室）、Mohamed Ali Mahjoub（苏塞大学高级技术与智能系统实验室）和Islem Rekik（伊斯坦布尔理工大学Basira实验室/邓迪大学）共同完成，发表于《Medical Image Analysis》期刊2021年第72卷。

学术背景

本研究属于医学图像分析与几何深度学习交叉领域。随着多模态磁共振成像(MRI)在神经系统疾病诊断中的广泛应用，构建脑连接组(brain graphs/connectomes)已成为表征大脑异常变化的重要工具。然而，多模态MRI数据获取成本高、处理时间长，现有基于生成对抗网络(GAN)的深度学习框架主要关注从有限模态预测缺失的多模态医学图像，而针对从单一源脑图预测目标脑多重图(brain multigraph)的研究尚属空白。

传统方法存在三个主要局限：(1) 现有图生成工作通常为每个目标域单独建模，限制了多目标联合预测的可扩展性；(2) 现有方法仅考虑图的全局拓扑结构，忽视了节点尺度的局部拓扑特性（如节点中心性）；(3) 传统GAN模型存在模式坍塌(mode collapse)问题。为解决这些问题，研究团队提出了名为TopoGAN的拓扑感知图生成对抗网络架构。

研究方法与流程

1. 多视图脑图数据处理流程

研究使用ABIDE II数据集中的310名受试者的T1加权MRI结构数据。通过FreeSurfer重建双侧大脑皮层，并采用Desikan-Killiany图谱将每个大脑半球划分为35个皮层区域。为每个半球提取三种形态学脑图(morphological brain graphs, MBGs)，最终每个受试者用6个MBGs表示（左/右半球各3个）。特征提取采用最大主曲率、平均曲率和平均沟深三种皮层测量指标。

2. 图种群表示构建

采用多核流形学习(MKML)算法构建图种群表示。对每个视图v，定义图种群G_v = {G_n, G_e, F_v}，其中节点表示受试者，边表示受试者间的相似性，特征矩阵F_v ∈ R^(n×f)包含从脑图提取的特征向量。通过MKML学习训练受试者间的亲和矩阵A_v^tr ∈ R^(n×n)。

3. 源脑图嵌入与聚类

采用两层图卷积网络(GCN)作为编码器E，将源特征矩阵F_s^tr映射到低维空间。第一层使用ReLU激活函数，第二层使用线性激活函数。随后使用MKML对嵌入结果进行聚类（实验证明最佳聚类数c=2），以解决GAN模式坍塌问题。

4. 聚类特异性多目标图预测

为每个目标域t_i设计c个聚类特异性生成器{G_t_i^j}。生成器采用GCN解码器架构，输入为聚类后的源嵌入z^j和目标域亲和矩阵A_t_i^j。通过三个损失函数优化鉴别器D： - 对抗损失：计算所有域间的Wasserstein距离 - 图域分类损失：二元分类器区分生成图与真实图 - 梯度惩罚损失：提升训练稳定性

5. 拓扑感知损失函数

创新性地引入拓扑损失函数，包含： - 局部拓扑损失：计算真实与预测图的中心性指标差异（接近中心性closeness centrality、中介中心性betweenness centrality、特征向量中心性eigenvector centrality） - 全局拓扑损失：计算特征矩阵的绝对差异

最终生成器损失函数整合对抗损失、拓扑损失和信息最大化损失三项。

主要研究结果

1. 多目标预测性能

通过六个实验（分别以六个MBGs作为源图）评估，TopoGAN在预测五个目标脑图时表现出： - 平均绝对误差(MAE)显著低于基线方法(p<0.05) - 使用中介中心性(BC)和特征向量中心性(EC)的变体在六次实验中有四次表现最佳 - 视觉对比显示预测图与真实图的残差显著降低

2. 拓扑结构保留效果

在中心性指标评估中： - 接近中心性(CC)的MAE最低达0.0262 - 中介中心性(BC)的MAE最低达0.0007
- 特征向量中心性(EC)的MAE最低达0.0041 - 页面排名中心性(PC)、有效规模(effective size)和聚类系数(clustering coefficient)的MAE也显著优于基线

3. 聚类策略的有效性

与未聚类的adapted mwgan相比，聚类版本在多数指标上提升显著，证实了聚类特异性生成器能有效缓解模式坍塌问题。

4. GCN与GAT架构对比

GCN版本在六项实验中均优于图注意力网络(GAT)版本，表明在脑图预测任务中，平等学习所有节点表征比注意力机制更重要。

研究结论与价值

本研究提出了首个能从单一源脑图联合预测多重目标脑图的几何深度学习框架TopoGAN，具有三重创新： 1. 设计了新颖的图对抗自动编码器架构，实现多脑图联合预测 2. 通过源图嵌入聚类解决GAN模式坍塌问题，提出聚类特异性解码器 3. 引入拓扑损失函数保证预测脑图的拓扑合理性

科学价值体现在： - 首次实现从单一脑图预测多重目标脑图的端到端学习 - 提出的拓扑感知机制为几何深度学习在脑连接组学研究中的应用提供了新范式 - 聚类策略为GAN在异质生物数据上的稳定训练提供了解决方案

应用价值包括： - 降低多模态脑数据获取成本 - 为神经系统疾病早期诊断提供更全面的连接组学数据 - 可扩展至其他生物网络预测任务

研究亮点

1. 方法创新性：

• 首次将多目标预测范式引入脑图生成领域
• 开创性地将节点中心性等局部拓扑特性融入图生成过程
• 设计聚类特异性生成器解决模式坍塌问题

1. 技术优势：

• 在MAE和KL散度等指标上显著优于基线方法
• 在保留全局和局部图拓扑结构方面表现突出
• 验证了GCN在脑图表示学习中的优越性

1. 应用前景：

• 框架可扩展至其他模态脑图预测
• 方法可推广至一般图生成任务
• 为脑连接组学研究提供了新工具

其他有价值内容

研究团队在GitHub开源了项目代码(https://github.com/basiralab/topogan)，并制作了方法讲解视频，为后续研究提供了重要参考资源。实验部分还包含详尽的消融研究，证实了去除图重建损失项对提升预测准确性的积极作用。