[論文レビュー] A Generative Self-Supervised Framework using Functional Connectivity in fMRI Data

Jung‐Won Choi, Seongho Keum+3 more|arXiv (Cornell University)|Dec 4, 2023

Functional Brain Connectivity Studies被引用数 4

ひとこと要約

本論文では、fMRIデータにおける動的機能的結合ネットワーク向けに、時間的経過にわたる空間的・時間的表現を用いてマスクされたノード特徴を再構築することで、自己教師あり学習フレームワークであるST-MAEを提案する。ラベルなしfMRIデータのみを用いても、精神疾患分類を含む下流タスクで最先端の性能を達成し、ラベル付きデータが限られた状況でも強固な表現学習が可能であることを示している。

ABSTRACT

Deep neural networks trained on Functional Connectivity (FC) networks extracted from functional Magnetic Resonance Imaging (fMRI) data have gained popularity due to the increasing availability of data and advances in model architectures, including Graph Neural Network (GNN). Recent research on the application of GNN to FC suggests that exploiting the time-varying properties of the FC could significantly improve the accuracy and interpretability of the model prediction. However, the high cost of acquiring high-quality fMRI data and corresponding phenotypic labels poses a hurdle to their application in real-world settings, such that a model naïvely trained in a supervised fashion can suffer from insufficient performance or a lack of generalization on a small number of data. In addition, most Self-Supervised Learning (SSL) approaches for GNNs to date adopt a contrastive strategy, which tends to lose appropriate semantic information when the graph structure is perturbed or does not leverage both spatial and temporal information simultaneously. In light of these challenges, we propose a generative SSL approach that is tailored to effectively harness spatio-temporal information within dynamic FC. Our empirical results, experimented with large-scale (>50,000) fMRI datasets, demonstrate that our approach learns valuable representations and enables the construction of accurate and robust models when fine-tuned for downstream tasks.

研究の動機と目的

• 精神的および神経的疾患研究におけるラベル付きfMRIデータの不足という課題に対処すること。
• 従来の対照的自己教師あり学習手法が、摂動に対して意味的情報を損なう傾向がある動的グラフ分野における限界を克服すること。
• 機能的結合ネットワークにおける空間的および時間的ダイナミクスを統合的にモデル化する生成的自己教師ありフレームワークを開発すること。
• ラベル付きデータが最小限の下流タスクに向けた大規模なラベルなしfMRIデータセットを用いた効果的な事前学習を可能にすること。
• 特に精神的疾患分類において、モデルの精度と頑健性を向上させること。

提案手法

• fMRI時系列データから領域の注目（ROIs）を用いて動的機能的結合グラフを構築し、時間経過に伴うグラフの系列を形成する。
• ノード特徴は、空間的エンコーディングと、Gated Recurrent Unit（GRU）を用いて生成される時刻エンコーディングベクトルによって強化され、時間的ダイナミクスをモデル化する。
• マスク自己符号化戦略を適用し、中間時刻におけるノード特徴をランダムにマスクし、周囲の時刻からの表現を用いて再構築する。
• モデルは、マスクされた入力からの文脈的なノード表現を学習するためのグラフニューラルネットワークエンコーダと、元の特徴を再構築するためのデコーダを備える。
• 再構築誤差を最小化する損失関数を用い、バックプロパゲーションによるエンドツーエンドの学習を可能にする。
• 再構築を隣接する時刻からの表現に条件づけることで、時間的依存性を学習できるよう、時間情報を保持する。

実験結果

リサーチクエスチョン

• RQ1 生成的自己教師あり学習フレームワークは、fMRIデータからの動的機能的結合ネットワークにおける空間的・時間的ダイナミクスを効果的に捉えることができるか？
• RQ2 対照的SSL手法と比較して、提案されたST-MAEフレームワークは表現品質および下流タスク性能において優れているか？
• RQ3 大規模なラベルなしfMRIデータを用いた事前学習は、例えば精神的疾患診断のような低データ環境において分類精度をどの程度向上させうるか？
• RQ4 時刻エンコーディングベクトルの統合は、マスクされた特徴の再構築能力および意味的な時間的パターンの学習能力を向上させるか？
• RQ5 異なるスキャンプロトコルや表現型ラベルを有する多様なfMRIデータセットに、このフレームワークは一般化可能か？

主な発見

• ST-MAEは、ラベル付きデータが限られた状況下でも、性別分類や精神的疾患分類を含む複数の下流fMRIタスクで最先端の性能を達成した。
• 特に分布シフトやノイズの多い摂動に対して、対照的SSLベースラインと比較して優れた頑健性と一般化性能を示した。
• UKバイオバンクデータセット（n ≈ 40,000）において、ST-MAEの事前学習は、ABCD、HCP、ABIDE、ADHD200といったベンチマークデータセットにおける微調整精度を顕著に向上させた。
• 精神的疾患分類において顕著な向上を示し、ラベル付きデータが乏しい臨床的応用分野における実用性を強調した。
• アブレーションスタディにより、空間的および時間的エンコーディングの両方が不可欠であることが確認され、時刻エンコーディングの削除は性能の著しい低下を引き起こした。
• 特にグラフの摂動に対して、意味的構造を捉える能力において、対照的目的関数よりも生成的再構築目的関数が優れていることが示された。