Comparison of ensemble and correlation graphs in the task of classifying brain states based on fMRI data

Cover Page

Cite item

Full Text

Abstract

The study of functional brain networks that support cognitive processes is one of the central goals of modern neuroscience. Functional magnetic resonance imaging (fMRI) is widely used to obtain data on brain activity. However, the high dimensionality and dynamic nature of fMRI data makes their processing challenging. Network-based methods of data representation offer a promising approach to describe the brain as a network, where nodes correspond to brain regions and edges correspond to functional connections between them. This allows us to further explore the topology of brain networks and their role in cognitive states. The purpose of this paper is to compare ensemble and correlation graphs in a brain state classification task based on functional magnetic resonance imaging (fMRI) data. Methods. This paper presents a novel method for representing fMRI data in graph form based on ensemble learning. To demonstrate the effectiveness of the data representation method, we compared it with correlated graphs by applying a graph neural network to classify brain states. Results and Conclusion. Our results showed that ensemble graphs lead to significantly more accurate and stable classification. The better classification performance suggests that using this method we are more efficient in identifying functional connections between brain regions during cognitive tasks.  

About the authors

Daniil Vladimirovich Vlasenko

National Research University "Higher School of Economics"

ORCID iD: 0009-0002-4867-2896
SPIN-code: 3382-9412
ul. Myasnitskaya 20, Moscow, 101000, Russia

Vadim Gennadevich Ushakov

Lomonosov Moscow State University

GSP-1, Leninskie Gory, Moscow, Russian Federation

Aleksei Anatolevich Zaikin

University College London

ORCID iD: 0000-0001-7540-1130
ResearcherId: K-6581-2017
University College London, Gower Street, London, UK

Denis Gennadevich Zakharov

National Research University "Higher School of Economics"

ORCID iD: 0000-0003-4367-8965
SPIN-code: 8021-2904
Scopus Author ID: 26435617000
ResearcherId: Q-1962-2015
ul. Myasnitskaya 20, Moscow, 101000, Russia

References

  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.

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».