Geometric deep learning for functional neuroimaging analysis

Abstract

O estudo do conectoma cerebral humano, um conjunto complexo de relações entre redes neurais cerebrais que associam estrutura cerebral e funcionalidade, têm recebido crescente interesse na área de neuroimagem ao longo da última década. Técnicas de aprendizado profundo constituem o estado da arte para tarefas de classificação de diferentes disordens neurológicas a partir de neuroimagens, proporcionando análises em profundidade acerca de características inerentes da atividade e conectividade cerebrais sem a necessidade prévia de seleção de features. No entanto, operações convolucionais de redes profundas tradicionais são aplicadas a regiões fixas de elementos durante o aprendizado, enquanto dados de conectoma cerebral são melhor representados na forma de grafos, com elementos espacialmente dispersos. Neste trabalho, fazemos uso de técnicas de aprendizado profundo geométrico para análise de dados de conectoma de imagens de ressonância magnética funcional (fMRI), buscando a identificação e extração de representações de características de alto nível das dinâmicas de redes cerebrais envolvidas na cognição humana. Nossas conclusões sugerem que as técnicas investigadas podem superar o estado da arte relativo a modelos de classificação de dados de fMRI além de possibilitar uma metodologia simples para análise de resultados.

The study of the human brain connectome, a complex set of cerebral network relationships associating structure and functionality, has seen a growing interest in the field of neuroimaging over the last decade. Deep learning techniques constitute the state-ofthe- art for neuroimaging classification tasks on different neurological disorders, providing in-depth analysis into the inherent characteristics of brain activation and connectivity without the need for prior feature selection. However, convolutional operations of traditional deep networks affect fixed regions of elements during learning, whereas connectome data is best represented in the form of graphs, with spatially dispersed elements. We make use of geometric deep learning (GDL) for the analysis of whole-brain functional magnetic resonance imaging (fMRI) connectome data to identify and extract high-level feature representations of the cerebral network dynamics involved in human cognition. Our findings suggest that GDL techniques can outperform state-of-the-art models for classification of fMRI data while providing a simple framework for result analysis.