IBGNN Model Doc

Overview

IBGNN (Interpretable Brain Graph Neural Network) 是面向脑连接组分析的可解释 GNN。核心组件是 MPConv —— 在 GCN 归一化基础上，将消息计算从简单加权聚合改为 MLP([x_i, x_j, edge_attr]) 学习消息函数。模型与 post-hoc 边遮罩 explainer 配合使用，可提取对预测重要的边子图。

• Paper: Cui et al., 2022, "Interpretable Graph Neural Networks for Connectome-Based Brain Disorder Analysis"，MICCAI
• Official code: https://github.com/HennyJie/IBGNN
• NeuroClaw reimplementation: models/ibgnn/（移除 explainer 用的 edge_flag 机制，仅保留 encoder）
• Primary input: PyG Data graph（与 BrainGNN 共享数据格式）
• Primary output: phenotype prediction（可选 attention/重要边解释）

Research use only.

---

NeuroClaw 实现要点

1. MPConv 核心：每条边的消息 = Linear([x_i, x_j, edge_attr])，比 GCN 多一层非线性表达。
2. GCN 归一化：边权 |corr| 经过对称归一化（与 GCN 相同），再注入 self-loop。
3. 去除 edge_flag：原版用于 explainer 屏蔽边，普通 forward 中 edge_flag 是全 1 tensor，NeuroClaw 直接砍掉以简化代码。
4. 正边权约束：edge_attr.abs() 后传入，与 BrainGNN 同样做法（softmax 类操作需要非负）。
5. 任务统一接口：classification (nclass=N) 与 regression (nclass=1, task='regression') 一套代码。
6. PyG 2.7 兼容：torch_scatter.scatter_add 已被 torch_geometric.utils.scatter(reduce='sum') 替代。
7. 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/ibgnn/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/ibgnn/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

文件	作用
models/ibgnn/net/ibgnn.py	模型定义：MPConv + IBGConv stack + MLP head
models/ibgnn/scripts/data_adapter.py	数据适配（薄封装复用 models.braingnn）
skills/ibgnn/scripts/train_reference.py	K-fold CV 训练参考实现

---

模型架构

Input PyG Data (x=[N,N], edge_index, edge_attr, batch)
  -> abs(edge_attr) -> gcn_norm with self-loops
  -> MPConv(N, hidden) + ReLU + Dropout
  -> MPConv(hidden, hidden)  (n_gnn_layers 层)
  -> global_mean_pool (或 sum)
  -> MLP head: Linear(hidden, hidden) + ReLU + shortcut + Linear(hidden, nclass)
Output: logits

每条边的消息：msg(i,j) = Linear([h_i; h_j; edge_weight])

---

关键训练参数

参数	论文默认	NeuroClaw 默认	说明
--lr	1e-4	1e-3	论文 1e-4，对齐其他模型用 1e-3
--wd	1e-5	5e-4	权重衰减
--hidden-dim	128	128	GNN/MLP 隐藏维度
--n-gnn-layers	2-3	2	MPConv 堆叠层数
--n-mlp-layers	1	1	MLP head 深度
--pooling	mean	mean	'mean' 或 'sum'
--n-epochs	100	50	与其他模型对齐
--batch-size	16	16

---

调试经验与注意事项

1. edge_attr.abs() 必须：FC 矩阵带负相关，但 GCN 归一化和消息聚合假设非负权重，否则归一化得到 NaN。
2. MPConv 参数量：消息 MLP Linear(2*hidden+1, hidden)，每层约 (2H+1)*H 参数，比 GCN 重 ~2 倍。
3. n_gnn_layers 选择：论文 2-3 层最优；超过 3 层会过平滑。
4. shortcut connection：MLP head 内 h = net(x) + shortcut(x)，避免深网络梯度衰减。
5. PyG 2.7 兼容：使用 torch_geometric.utils.scatter 替代已废弃的 torch_scatter.scatter_add。
6. 数据复用：与 BrainGNN 共享 NeuroClawFCDataset，无需重复加载/缓存。
7. Explainer 未移植：原 repo 的 main_explainer.py（GNNExplainer 后处理）暂未移植，若需可补充。

---

NeuroClaw 委托规则

• ROI 生成和预处理：委托 fmri-skill
• HCP 数据下载/编排：委托 hcpya-skill / hcpa-skill / hcpd-skill / hcpep-skill
• 依赖检查：dependency-planner + conda-env-manager
• 执行路由：claw-shell

执行前需明确计划确认。

---

Reference

• Cui H, Dai W, Zhu Y, Li X, He L, Yang C. 2022. Interpretable Graph Neural Networks for Connectome-Based Brain Disorder Analysis. MICCAI.
• Official repository: https://github.com/HennyJie/IBGNN
• BrainGB benchmark by same author: https://github.com/HennyJie/BrainGB
• NeuroClaw BrainGNN skill (共享数据格式): skills/brain_gnn/SKILL.md

Created At: 2026-05-19 01:30 HKT Last Updated At: 2026-05-19 01:30 HKT Author: chengwang96