[論文レビュー] A Hierarchical Graphical Model for Big Inverse Covariance Estimation with an Application to fMRI

Xi Luo|arXiv (Cornell University)|Mar 19, 2014

Functional Brain Connectivity Studies参考文献 46被引用数 6

ひとこと要約

本稿では、数10万のボクセルを有する全脳fMRIデータから大規模脳結合を推定するための階層的グラフィカルモデル（HGM）を提案する。潜在的なネットワーク層としてグループ化されたボクセルを導入し、Lasso正則化を用いたスパースガウス・グラフィカル・モデルを活用することで、次元削減と凸最適化を介して計算負荷を軽減しつつ、直接的な脳結合の効率的かつ解釈可能な推定を可能にする。

ABSTRACT

Brain networks has attracted the interests of many neuroscientists. From functional MRI (fMRI) data, statistical tools have been developed to recover brain networks. However, the dimensionality of whole-brain fMRI, usually in hundreds of thousands, challenges the applicability of these methods. We develop a hierarchical graphical model (HGM) to remediate this difficulty. This model introduces a hidden layer of networks based on sparse Gaussian graphical models, and the observed data are sampled from individual network nodes. In fMRI, the network layer models the underlying signals of different brain functional units, and how these units directly interact with each other. The introduction of this hierarchical structure not only provides a formal and interpretable approach, but also enables efficient computation for inferring big networks with hundreds of thousands of nodes. Based on the conditional convexity of our formulation, we develop an alternating update algorithm to compute the HGM model parameters simultaneously. The effectiveness of this approach is demonstrated on simulated data and a real dataset from a stop/go fMRI experiment.

研究の動機と目的

• 最大230,590ボクセルを有する全脳fMRIデータにおける直接的脳結合推定の課題に取り組むこと。
• 潜在的ネットワーク層を導入した階層的構造により、従来のグラフィカルモデルの計算コストと解釈可能性の限界を克服すること。
• グループ割り当て、潜在信号、精度行列の同時推定を可能にするスケーラブルで凸最適化に基づく手法を開発すること。
• 大規模fMRIネットワークにおける生物学的解釈可能性を向上させるために、グループレベルおよび個々のノードレベルの結合推定を可能にすること。
• 神経画像診断を越える他のビッグデータ問題へも一般化可能なフレームワークを提供すること。

提案手法

• 観測されたfMRIボクセル信号が、機能的脳ユニットを表す潜在的ネットワークノードの周囲で条件付きに分布するとモデル化する階層的構造を導入する。
• 潜在ネットワーク層をスパースガウス・グラフィカル・モデル（sGGM）でモデル化し、精度行列ΩをLasso正則化により推定することでスパarsityを強制する。
• 条件付き凸性を活用して、グループ割り当て（Gk）、潜在信号（Z）、ノイズ分散（φk）、精度行列（Ω）を同時に推定する交互最適化アルゴリズムを用いる。
• 事前処理段階でホワイトニング処理を適用し、時間的依存性を低減し、モデル仮定を単純化する。
• 行列微積分を用いてZとφkの閉形式更新式を導出し、Ω推定を標準的なグラフィカル・ラッソ問題に再定式化する。
• 初期のグループ割り当てにはK-meansクラスタリングを用い、反復的最適化による最適化を実施する。

実験結果

リサーチクエスチョン

• RQ1 20万ボクセルを超える全脳fMRIデータにおいて、階層的グラフィカルモデルは直接的脳結合を効果的に推定できるか？
• RQ2 潜在的ネットワーク層は、大規模な精度行列推定における計算スケーラビリティと解釈可能性をどのように向上させるか？
• RQ3 グループ割り当ての品質が、推定された脳結合ネットワークの精度と安定性に与える影響は何か？
• RQ4 高次元fMRIデータにおいて、標準的なsGGMと比較して、提案手法は計算効率とネットワーク回復性の面で優れているか？
• RQ5 階層的構造は、生物学的に意味のある機能的グルーピングおよび長距離結合をどれほど正確に捉えられるか？

主な発見

• HGMは230,590ボクセルと180時間ポイントを有するfMRIデータから、スパースで解釈可能な脳ネットワークを効果的に推定でき、標準的なsGGM手法では不可能な規模の推定を実現した。
• ボクセルをK個の潜在ネットワークノードにグループ化することで有効次元を低減し、スケーラブルな推定を可能にする。
• 交互更新アルゴリズムは信頼性高く収束し、精度行列、グループ割り当て、潜在信号の安定した推定を提供する。
• ストップ/ゴーfMRI実験のシミュレーションと実データの両方で、HGMは生物学的に妥当な結合パターン（空間的近接性では説明できない長距離結合を含む）を回復することが確認された。
• ノイズや分布仮定の変動に対してもモデルの性能は頑健であり、重尾分布下でも収束速度が維持される。
• HGMフレームワークは二重レベルの解釈を可能にする：（1）機能的グルーピング同士の接続関係、（2）個々のボクセルがどの機能的グルーピングに属するか、これにより生物学的解釈性が向上する。