Известия высших учебных заведений

Прикладная нелинейная динамика

ISSN 0869-6632 (Print)
ISSN 2542-1905 (Online)


Для цитирования:

Власенко Д. В., Ушаков В. Г., Заикин А. А., Захаров Д. Г. Сравнение ансамблевых и корреляционных графов в задаче классификации состояний мозга на основе фМРТ данных // Известия вузов. ПНД. 2025. Т. 33, вып. 4. С. 557-566. DOI: 10.18500/0869-6632-003164, EDN: PPZDBV

Статья опубликована на условиях лицензии Creative Commons Attribution 4.0 International (CC-BY 4.0).
Полный текст в формате PDF(Ru):
Язык публикации: 
русский
Тип статьи: 
Научная статья
УДК: 
530.182
EDN: 

Сравнение ансамблевых и корреляционных графов в задаче классификации состояний мозга на основе фМРТ данных

Авторы: 
Власенко Даниил Владимирович, Высшая школа экономики
Ушаков Вадим Геннадьевич, Московский государственный университет имени М.В. Ломоносова (МГУ)
Заикин Алексей Анатольевич, Университетский Колледж Лондона
Захаров Денис Геннадьевич, Высшая школа экономики
Аннотация: 

Изучение функциональных сетей мозга, которые поддерживают когнитивные процессы, является одной из центральных задач современной нейронауки. Функциональная магнитно-резонансная томография (фМРТ) широко используется для получения данных об активности мозга. Однако, высокая размерность и динамическая природа фМРТ данных делает их обработку сложной задачей. Сетевые методы представления данных предлагают перспективный подход, позволяющий описывать мозг в виде сети, где узлы соответствуют областям мозга, а рёбра — функциональным связям между ними. Это позволяет глубже исследовать топологию мозговых сетей и их роль в когнитивных состояниях.

Цель данной работы — сравнить ансамблевые и корреляционные графы в задаче классификации состояний мозга на основе данных функциональной магнитно-резонансной томографии (фМРТ).

Методы. В данной работе представлен новый метод репрезентации фМРТ данных в графовой форме, основанный на ансамблевом обучении. Для демонстрации эффективности метода представления данных, мы сравнили его с корреляционными
графы, применяя затем для классификации состояний мозга графовую нейронную сеть.

Результаты и Заключение. Наши результаты показали, что ансамблевые графы приводят к существенно более точной и стабильной классификации. Лучшая эффективность классификации позволяет предположить, что с использованием этого метода мы более эффективно определяем функциональные связи между регионами мозга при выполнении когнитивных задач.
 

Благодарности: 
Исследование выполнено при поддержке Российского научного фонда (грант номер 24-68-00030) и частично за счет суперкомпьютерного комплекса Национальный исследовательский университет «Высшая школа экономики».
Список источников: 
  1. Heeger DJ, Ress D. What does fMRI tell us about neuronal activity Nat. Rev. Neurosci. 2002;3(2):142–151. DOI: 10.1038/nrn730.
  2. Logothetis NK. What we can do, and what we cannot do with fMRI. Nature. 2008;453(7197): 869–878. DOI: 10.1038/nature06976.
  3. Ramzan F, Khan MUG, Rehmat A, Iqbal S, Saba T, Rehman A, Mehmood Z. A deep learning approach for automated diagnosis and multiclass classification of Alzheimer’s disease stages using resting state fMRI and residual neural networks. J. Med. Syst. 2019;44(2):37. DOI: 10.1007/s10916- 019-1475-2.
  4. Arribas JI, Calhoun VD, Adali T. Automatic Bayesian classification of healthy controls, bipolar disorder, and schizophrenia using intrinsic connectivity maps from fMRI data. IEEE Transactions on Biomedical Engineering. 2010;57(12):2850–2860. DOI: 10.1109/TBME.2010.2080679.
  5. Luo Y, Alvarez TL, Halperin JM, Li X. Multimodal neuroimaging based prediction of adult outcomes in childhood-onset ADHD using ensemble learning techniques. Neuroimage: Clin. 2020;26:102238. DOI: 10.1016/j.nicl.2020.102238.
  6. Li X, Zhou Y, Dvornek N, Zhang M, Gao S, Zhuang J, Scheinost D, Staib LH, Ventola P, and Duncan JS. BrainGNN: Interpretable brain graph neural network for fMRI analysis. Med. Image Anal. 2021;74:102233. DOI: 10.1016/j.media.2021.102233.
  7. Wang J, Zuo X, He Y. Graph-based network analysis of resting-state functional MRI. Front. Syst. Neurosci. 2010;4:16. DOI: 10.3389/fnsys.2010.00016.
  8. Richiardi J, Eryilmaz H, Schwartz S, Vuilleumier P, Van De Ville D. Decoding brain states from fMRI connectivity graphs. Neuroimage. 2011;56(2):616–626. DOI: 10.1016/j.neuroimage. 2010.05.081.
  9. Takerkart S, Auzias G, Thirion B, Ralaivola L. Graph-based inter-subject pattern analysis of fMRI data. PLoS ONE. 2014;9(8):e104586. DOI: 10.1371/journal.pone.0104586.
  10.  Saeidi M, Karwowski W, Farahani FV, Fiok K, Hancock PA, Sawyer BD, Christov-Moore L, Douglas PK. Decoding task-based fMRI data with graph neural networks, considering individual differences. Brain Sci. 2022;12(8):1094. DOI: 10.3390/brainsci12081094.
  11.  Li X, Dvornek NC, Zhou Y, Zhuang J, Ventola P, Duncan JS. Graph neural network for interpreting task-fMRI biomarkers. In: Shen D, Liu T, Peters TM, Staib LH, Essert C, Zhou S, Yap P-T, Khan A, editors. Medical Image Computing and Computer Assisted Intervention – MICCAI 2019. MICCAI 2019. Lecture Notes in Computer Science. Vol. 11768. Cham: Springer; 2019. P. 485–493. DOI: 10.1007/978-3-030-32254-0_54.
  12.  Bessadok A, Mahjoub MA, Rekik I. Graph neural networks in network neuroscience. IEEE Trans. Pattern Anal. Mach. Intell. 2023;45(5):5833–5848. DOI: 10.1109/TPAMI.2022.3209686.
  13.  Gorban AN, Tyukina TA, Pokidysheva LI, Smirnova EV. Dynamic and thermodynamic models of adaptation. Phys. Life Rev. 2021;37:17–64. DOI: 10.1016/j.plrev.2021.03.001.
  14.  Ursino M, Ricci G, Magosso E. Transfer entropy as a measure of brain connectivity: A critical analysis with the help of neural mass models. Front. Comput. Neurosci. 2020;14:45. DOI: 10.3389/ fncom.2020.00045.
  15.  Hlinka J, Palus M, Vejmelka M, Mantini D, Corbetta M. Functional connectivity in resting- state fMRI: Is linear correlation sufficient Neuroimage. 2011;54(3):2218–2225. DOI: 10.1016/ j.neuroimage.2010.08.042.
  16.  Roebroeck A, Formisano E, Goebel R. Mapping directed influence over the brain using Granger causality and fMRI. Neuroimage. 2005;25(1):230–242. DOI: 10.1016/j.neuroimage.2004.11.017.
  17.  Ganaie MA, Hu M, Malik AK, Tanveer M, Suganthan PN. Ensemble deep learning: A review. Engineering Applications of Artificial Intelligence. 2022;115:105151. DOI: 10.1016/j.engappai. 2022.105151.
  18.  Mohammed A, Kora R. A comprehensive review on ensemble deep learning: Opportunities and challenges. Journal of King Saud University Computer and Information Sciences. 2023;35(2): 757–774. DOI: 10.1016/j.jksuci.2023.01.014.
  19.  Galar M, Fernandez A, Barrenechea E, Bustince H, Herrera F. A review on ensembles for the class imbalance problem: Bagging-, boosting-, and hybrid-based approaches. IEEE Trans. Syst., Man, Cybern. C. 2012;42(4):463–484. DOI: 10.1109/TSMCC.2011.2161285.
  20.  Nazarenko T, Whitwell HJ, Blyuss O, Zaikin A. Parenclitic and synolytic networks revisited. Front. Genet. 2021;12:733783. DOI: 10.3389/fgene.2021.733783.
  21.  Elam JS, Glasser MF, Harms MP, Sotiropoulos SN, Andersson JL, Burgess GC, Curtiss SW, Oostenveld R, Larson-Prior LJ, Schoffelen JM, Hodge MR, Cler EA, Marcus DM, Barch DM, Yacoub E, Smith SM, Ugurbil K, Van Essen DC. The Human Connectome Project: A retrospective. Neuroimage. 2021;244:118543. DOI: 10.1016/j.neuroimage.2021.118543.
  22.  Van Essen DC, Smith SM, Barch DM, Behrens TEJ, Yacoub E, Ugurbil K; WU-Minn HCP Consortium. The WU-Minn Human Connectome Project: An overview. Neuroimage. 2013;80: 62–79. DOI: 10.1016/j.neuroimage.2013.05.041.
  23.  Vlasenko D, Zaikin A, Zakharov D. Ensemble_graphs__2024 [Data set]. Zenodo. 2024. DOI: 10.5281/zenodo.13764278.
  24.  Barch DM, Burgess GC, Harms MP, Petersen SE, Schlaggar BL, Corbetta M, Glasser MF, Curtiss S, Dixit S, Feldt C, Nolan D, Bryant E, Hartley T, Footer O, Bjork JM, Poldrack R, Smith S, Johansen-Berg H, Snyder AZ, Van Essen DC; WU-Minn HCP Consortium. Function in the human connectome: Task-fMRI and individual differences in behavior. Neuroimage. 2013;80:169–189. DOI: 10.1016/j.neuroimage.2013.05.033.
  25.  Glasser MF, Sotiropoulos SN, Wilson JA, Coalson TS, Fischl B, Andersson JL, Xu J, Jbabdi S, Webster M, Polimeni JR, Van Essen DC, Jenkinson M; WU-Minn HCP Consortium. The minimal preprocessing pipelines for the Human Connectome Project. Neuroimage. 2013;80:105–124. DOI: 10.1016/j.neuroimage.2013.04.127.
  26.  Glasser MF, Coalson TS, Robinson EC, Hacker CD, Harwell J, Yacoub E, Ugurbil K, Andersson J, Beckmann CF, Jenkinson M, Smith SM, Van Essen DC. A multi-modal parcellation of human cerebral cortex. Nature. 2016;536(7615):171–178. DOI: 10.1038/nature18933.
  27.  Platt JC. Probabilistic Outputs for Support Vector Machines and Comparisons to Regularized Likelihood Methods. Advances in Large Margin Classifiers. 1999;10(3):61–74.
  28.  Kipf TN, Welling M. Semi-supervised classification with graph convolutional networks. arXiv: 1609.02907. arXiv Preprint; 2016. DOI: 10.48550/arXiv.1609.02907.
  29.  Fukushima K. Visual feature extraction by a multilayered network of analog threshold elements. IEEE Transactions on Systems Science and Cybernetics. 1969;5(4):322–333. DOI: 10.1109/ TSSC.1969.300225.
  30.  Ioffe S, Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift. arXiv:1502.03167. arXiv Preprint; 2015. DOI: 10.48550/arXiv.1502.03167.
  31.  Srivastava N, Hinton G, Krizhevsky A, Sutskever I, Salakhutdinov R. Dropout: A simple way to prevent neural networks from overfitting. Journal of Machine Learning Research. 2014:15(56): 1929–1958.
  32.  Xu K, Zhang M, Jegelka S, Kawaguchi K. Optimization of graph neural networks: Implicit acceleration by skip connections and more depth. arXiv:2105.04550. arXiv Preprint; 2021. DOI: 10.48550/arXiv.2105.04550.
  33.  Grattarola D, Zambon D, Bianchi FM, Alippi C. Understanding pooling in graph neural networks. IEEE Trans. Neural Netw. Learn. Syst. 2024;35(2):2708–2718. DOI: 10.1109/TNNLS.2022. 3190922.
Поступила в редакцию: 
12.10.2024
Принята к публикации: 
25.01.2025
Опубликована онлайн: 
03.02.2025
Опубликована: 
31.07.2025