lggnn

LG-GNN Model Doc

Overview

LG-GNN (Local-to-Global GNN) 是一种针对脑疾病诊断的两阶段图神经网络。原始论文使用 Local_GNN 提取每个被试的脑图嵌入，再通过基于人口学信息构建的 Global_GNN 进行人群图分类。NeuroClaw 改造为单被试任务：保留 Local_GNN（含 SABP + 互信息正则化的创新组件），用 MLP head 替代人口图。

• Paper: Zhang et al., 2022, "Local to Global Hierarchical Graph Neural Network for Brain Disorder Diagnosis"，MICCAI
• Official code: https://github.com/cnuzh/LG-GNN
• NeuroClaw reimplementation: models/lggnn/（去除人口图依赖，单被试 PyG 流程）
• Primary input: PyG Data graph（与 BrainGNN 共享数据格式）
• Primary output: phenotype prediction + ROI 重要性（SABP perm）+ MI loss 辅助监督

Research use only.

NeuroClaw 实现要点

1. 单被试改造：原版需要非影像表型数据构建人口图，NeuroClaw 仅保留 Local_GNN，用 MLP head 输出。
2. SABP 池化：Self-Attention Brain Pooling，topk 选择 ROI + tanh(score) 加权，并产生互信息估计 mi 作为辅助 loss（论文权重 0.1，loss 取 loss - 0.1 * mi 鼓励高互信息）。
3. PyG 2.7 兼容：原 torch_geometric.nn.pool.topk_pool 已重构，NeuroClaw 用 pool.select.topk + 内联 filter_adj。
4. 任务统一接口：classification (nclass=N) 与 regression (nclass=1, task='regression') 一套代码。
5. 数据复用：直接复用 BrainGNN 的 NeuroClawFCDataset，无需额外预处理。

Quick Start (NeuroClaw 内部)

前置条件

• conda env: neuroclaw (Python 3.11)
• 已有 data/braingnn_input/<atlas>/sub-*.pt 文件（与 BrainGNN 共享）

训练（分类，单 fold 冒烟测试）

python skills/lggnn/scripts/train_reference.py \
    --atlas aal_116 \
    --labels-csv data/hcp_gender_labels.csv \
    --fold 0 --n-epochs 10 --batch-size 16

训练（回归，HCP age）

python skills/lggnn/scripts/train_reference.py \
    --atlas schaefer_100_7net \
    --labels-csv data/hcp_age_labels.csv \
    --task regression --fold 0 --n-epochs 50

核心文件

模型架构

Input PyG Data (x=[N,N], edge_index, edge_attr, batch)
  -> GCNConv(N, 64) + ReLU
  -> GCNConv(64, 20) + ReLU
  -> SABP pool (ratio=0.5): topk_score + tanh weighted; 产生 mi_estimate
  -> GCNConv(20, 20) + ReLU
  -> 残差: pooled + conv3
  -> global_mean_pool
  -> MLP head: Linear(20 -> 64) + ReLU + Dropout + Linear(64 -> nclass)
Output: (logits, mi_loss)