Liu, Jinduo, et al. "EC-GAN: Inferring Brain Effective Connectivity via Generative Adversarial Networks." Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 34. No. 04. 2020.

论文网址：https://ojs.aaai.org/index.php/AAAI/article/view/5921

 

EC-GAN框架使用GANs和SEM来精准生成有效连通性，可以对有效连通性网络的循环或双向连接进行建模，并且对潜在的因果机制和数据分布没有限制性的假设。

本文方法使用的生成器组合使用多个基于结构方程模型(SEM)(Bühlmann，Peters，and Ernest 2014)的有效连通性生成器来生成每个大脑区域（ROI）的fMRI时间序列。鉴别器用于检测生成的fMRI数据和真实的fMRI数据之间的差异。当生成的fMRI数据与真实fMRI数据相似，训练达到稳定时，就可以从有效连通性生成器的因果参数中得到大脑区域间的有效连通性。

根据有效连通性(一个大脑区域对另一个大脑区域施加的神经影响)的定义，可以使用有向弧来建模有效连通性，然后使用有向图(因果图)来建模有效连通性网络。

G=（V，E），其中V是一组节点，每个节点Xi∈V代表一个脑区域或感兴趣区域(ROI)；E是一组弧，每个弧Xi→Xj∈E描述来自脑区域(ROI)Xi-> Xj的有效连接。

该生成器以噪声变量和真实fMRI时间序列数据为输入，生成与真实fMRI时间序列数据相似的样本。鉴别器将生成器生成的样本和真实fMRI时间序列数据作为输入，得到输入数据为真实概率的映射。

有效的连通性生成器采用三个输入，即因果参数A、来自真实数据D的其他脑区的fMRI时间序列数据和ε∼N(0，1)。当生成器经过训练并且生成的数据与真实的fMRI数据相似时，因果参数A可以反映脑区之间的因果关系。

如果因果参数Aij大于由父节点的最大数目Max P确定的阈值，则应该存在有效的连接性Xj→Xi。由于大脑有效连通性网络不一定是有向无环图(DAG)，因此不对有效连通性生成器施加无环约束。因此，如果Aij和Aji都大于阈值，我们认为网络中应该存在双向连接(有效连接)，即Xi↔Xj。

 

实验所用数据集：

模拟数据集：

Smith模拟的fMRI数据是基于动态因果建模(DCM)生成的，其中感兴趣区域(ROI)是嵌入有向网络中的节点。此数据集包含非静态连接强度。

Sanchez模拟数据集中的模拟1，检测不同方法在推断有效连通性网络的双向结构方面的性能。Sanchez模拟的fMRI数据的包含具有不同复杂程度的不同双向结构。

 

真实数据集：

静息状态的fMRI数据是在TR(重复时间)=1s、每个对象的7min fMRI会话中采集的，数据点的数量为421，对象的数量为23。

同步使用由Ramsey等人提供的真实任务fMRI数据集。来测试EC-GaN的性能。采用3T扫描仪，TR=2s，数据点160个，受试者9个。

 

测试指标为：1)Precision，2)Recall，3)F1，4)SHD。

Precision和Recall的范围从0到1，F1值结合了Precision和Recall的效果。如果F1等于1，则表明该方法正确推断所有连接。SHD是将学习到的有效连通性网络转换为地面真实网络所需的边添加(额外弧线)和删除(缺失弧线)的总数。如果SHD等于0，则表示该方法正确地推断出所有连接。

 

阈值选取规则：

因果参数(A)的阈值由最大双亲个数Max P决定，所有节点都是相同的。阈值的选择取决于节点的数量和我们想要得到的网络的稀疏程度。对于两个模拟的fMRI数据集(5个节点的有效连通性网络)，我们设置Max P=2。对于两个真实的fMRI数据集(8个和9个节点的有效连通性网络)，所有的超参数都与模拟数据集相同，但设置Max P=5。

在本文中，提出了一种基于生成性对抗网络(GAN)的从fMRI数据推断大脑有效连通性的新框架，称为EC-GAN。该框架通过生成器和鉴别器来推断有效的连通性。该生成器由多个有效的连通性生成器组成，基于有效连通性生成各脑区的fMRI时间序列，并利用鉴别器区分真实fMRI时间序列和生成的fMRI时间序列的联合分布。在模拟数据和真实数据上的实验结果证明了该框架的有效性。

 

模型整体结构：

 

实验结果呈现：

 

最外层的环代表大脑区域，中心代表大脑的有效连通性。箭头的颜色与父节点相同。