[論文レビュー] A Convolutional Autoencoder for Multi-Subject fMRI Data Aggregation

Po-Hsuan Chen, Xia Zhu+6 more|arXiv (Cornell University)|Aug 17, 2016

Functional Brain Connectivity Studies参考文献 13被引用数 22

ひとこと要約

本論文は、検索光分析と共有応答モデルを組み合わせることで空間局所性を保持する、複数被験者のfMRIデータ集約のためのマルチビュー畳み込み自己符号化器（CAE）を提案する。標準の要因モデルとは異なり、CAEは畳み込みフィルタを用いて局所的な空間構造を維持し、刺激に対する神経応答の分類において、標準の検索光法および共有応答モデル（SRM）の両方と比較して同等または優れた性能を達成する。

ABSTRACT

Finding the most effective way to aggregate multi-subject fMRI data is a long-standing and challenging problem. It is of increasing interest in contemporary fMRI studies of human cognition due to the scarcity of data per subject and the variability of brain anatomy and functional response across subjects. Recent work on latent factor models shows promising results in this task but this approach does not preserve spatial locality in the brain. We examine two ways to combine the ideas of a factor model and a searchlight based analysis to aggregate multi-subject fMRI data while preserving spatial locality. We first do this directly by combining a recent factor method known as a shared response model with searchlight analysis. Then we design a multi-view convolutional autoencoder for the same task. Both approaches preserve spatial locality and have competitive or better performance compared with standard searchlight analysis and the shared response model applied across the whole brain. We also report a system design to handle the computational challenge of training the convolutional autoencoder.

研究の動機と目的

• 空間局所性を保持するように複数被験者のfMRIデータを集約する課題に対処すること。
• SRMのような要因モデルがボクセル間で集約することによって空間分解能を失うという限界を克服すること。
• 検索光ベースの局所的分析と深層学習を、マルチビュー畳み込み自己符号化器を介して統合すること。
• 大規模fMRIデータセットにおけるCAEの学習に適したスケーラブルなシステム設計を開発すること。
• 実際のfMRIデータセットを用いて、CAEを標準の検索光法およびSRM手法と比較してベンチマークすること。

提案手法

• 複数被験者のfMRIデータを、共有され、空間的に局所的な畳み込みフィルタを用いて処理するマルチビュー畳み込み自己符号化器（CAE）を提案する。
• 被験者固有の符号化表現の平均として計算される共有特徴マップSを用い、被験者間のばらつきを統合的にモデル化する。
• 元のfMRIデータと再構築されたfMRIデータの差を最小化するためのL2再構成損失を適用し、共有特徴マップにKLD（Kullback-Leibler発散）を用いたスパarsity正則化を施す。
• ReLUおよびtanh活性化関数とドロップアウトを用いて正則化を行い、ハイパーパrameterは交差検証により調整する。
• 各ボクセルの周囲に局所的受容野を持つように、全結合層の代わりに畳み込み層を導入することで、空間局所性を統合する。
• 全脳fMRIデータにおけるCAEの学習に伴う計算複雑性に対処するため、分散型学習システムを設計する。

実験結果

リサーチクエスチョン

• RQ1 畳み込み自己符号化器は、分類性能を維持または向上させつつ、複数被験者のfMRIデータ集約において空間局所性を保持できるか？
• RQ2 提案されたCAEは、刺激に対する神経応答の分類において、標準の検索光分析および共有応答モデル（SRM）と比較してどの程度の性能を示すか？
• RQ3 フィルタ数、スパarsity、正則化強度といったハイパーパrameterが、fMRIデータにおけるCAEの性能にどの程度の影響を与えるか？
• RQ4 空間分解能を損なうことなく、被験者間で共有される機能的表現をCAEが効果的に学習できるか？
• RQ5 検索光ベースの局所的分析と深層自己符号化器を統合することで、グローバル要因モデルと比較して脳機能の解釈性が向上するか？

主な発見

• マルチビュー畳み込み自己符号化器（CAE）は、聴覚刺激の時間セグメント分類において、標準の検索光法および共有応答モデル（SRM）と同等または優れた性能を達成する。
• 2つのデータセットにおいて、9-TR時間セグメント分類タスクでCAEはSRMを上回り、一部の条件下で正解率が最大0.005～0.015向上する。
• 最初の畳み込み層のフィルタ数（k1）が性能に強く影響を与え、k1 = 20で最適な正解率が観察された。
• スパarsityハイパーパrameter（ρ）および正則化強度（λ）の変動に対して、モデルは比較的安定しており、広い範囲の値で性能が安定している。
• 局所的な畳み込みフィルタを用いることで、CAEは空間局所性を維持しており、グローバル要因モデルと比較して、局所的脳機能に関するより解釈可能な推論が可能になる。
• システム設計は、全脳fMRIデータにおける学習の計算的要件を効果的に処理し、大規模データセットへのスケーラブルな応用を可能にした。