BrainGNN:Interpretable Brain Graph Neural Network for fMRI

作者：李晓晓 

单位：耶鲁大学，生物医学工程

关键词：GNN; ASD; fMRI; Biomarker;

摘要：

文章起源：理解与神经疾病或认知刺激相关的脑区

本文创新点：提出了BrainGNN，一个图形神经网络框架

1. 设计了新的ROI感知图形卷积(Ra-Cov)，利用fMRI的拓扑学和功能信息
2. ROI选择池层（R-pool）,突出重要ROI，以推断重要的ROI
3. 提出了正则化项--unit loss topK pooling(TPK)loss group-level consistency(GLC)loss

方法验证：

数据集：ASD;HCP

一、Introduction

二、BrainGNN

2.1 Notations

定义了一些变量

 主要有  代表节点 i 

代表i的邻接点

 代表边

 2.2 架构概述

图上的分类是通过首先将节点特征嵌入低维空间，然后对节点进行粗化或汇集，并对其进行汇总来实现·，然后将汇总的向量输入多层感知机

框架由三种类型的层：图卷积层、节点池化层、读出层（对应卷积、池化、全连接层）

 总得说来：GNN通过递归转换和聚合其相邻节点的特征向量来归纳学习一个节点的表示

(a) BrainGNN的架构

以图作为输入，以图水平作为输出，

(b)Ra-GConv (ROI-aware Graph Convolutional Layer)

(c)展示R-pool如何选择需要保留的节点

2.2.1 图卷积层

图卷积层的作用：通过使用边的特征探索图的结构信息。

 2.2.2 节点池化层

节点池化层用来减少图形的大小，比如将节点组合在一起，只保留一些重要的节点，把原来的图形G修剪成子图形G，本文聚焦于修建方法

2.2.3 读出层

总结节点特征向量到一个向量，该向量最后送入分类器进行图形分类

2.3 Layers in BrainGNN

本节讲解本文在BrainGNN方面的创新设计

2.3.1 ROI-aware Graph Convolutional Layer

两个创新：

1、学习以ROI为条件(大脑的几何分布信息)的不同嵌入权重，而不是入公式一一样使用所有相同的权重W，权重W可以被分解为一组基础函数的线性组合，其中每个基础函数代表一个社区

2、我们包括信息过滤的边缘权重，因为边缘权重的大小显示了两个ROI之间的连接强度

2.3.2 ROI-topK pooling layer

2.3.3 Readout layer

2.3.4 Putting layers together