[論文レビュー] A Searchlight Factor Model Approach for Locating Shared Information in Multi-Subject fMRI Analysis

Hejia Zhang, Po-Hsuan Chen+6 more|arXiv (Cornell University)|Sep 29, 2016

Functional Brain Connectivity Studies参考文献 11被引用数 6

ひとこと要約

本稿では、空間分解能を向上させることを目的として、マルチ・サブジェクトfMRIデータにおける共有神経情報の局所化を実現する、検索ライトベースの共有応答要因モデル（SRM）を提案する。脳全体にわたる球状の検索ライト内に、ICA やグループICA といった要因モデルを適用することで、機能的に有用な小さな領域を同定した。時間セグメント認識およびシーン再考タスクにおいて、分類精度が高く、SR-ICA は他のモデルと比較して精度および要因効率の両面で優れている。

ABSTRACT

There is a growing interest in joint multi-subject fMRI analysis. The challenge of such analysis comes from inherent anatomical and functional variability across subjects. One approach to resolving this is a shared response factor model. This assumes a shared and time synchronized stimulus across subjects. Such a model can often identify shared information, but it may not be able to pinpoint with high resolution the spatial location of this information. In this work, we examine a searchlight based shared response model to identify shared information in small contiguous regions (searchlights) across the whole brain. Validation using classification tasks demonstrates that we can pinpoint informative local regions.

研究の動機と目的

• 解剖学的および機能的可変性があるにもかかわらず、fMRIデータにおける複数被験者間の共有神経応答を同定する課題に対処すること。
• 共有応答要因モデルにおける空間局所性を保持することで、マルチ・サブジェクトfMRI解析における空間分解能を向上させること。
• 共有情報がエンコードされる小さな有用な脳領域を特定する手法を開発し、標的的な神経科学的調査を可能にすること。
• 検索ライト領域における局所的要因モデルが、全脳要因モデルに比べて共有認知状態を検出する上で優れているかどうかを評価すること。

提案手法

• 全脳にわたる球状検索ライト（例：125ボクセル）内で共有応答要因モデル（SRM）を適用し、局所的解析を可能にする。
• 各検索ライトに対して、被験者固有のfMRIデータを被験者固有の混合行列 $ W_i $ と共有ソース行列 $ S $ に共同で要因分解し、正則化されたコスト関数を最小化する。
• ICA やグループICA の変種（SR-ICA、SR-GICA）を用いて共有応答を学習し、各検索ライトで性能最適化のため $ k $ 個の潜在的要因を選択する。
• 各検索ライトの中心ボクセルに分類精度と最適な $ k $ 値を割り当て、有用な領域を示す脳マップを生成する。
• 3つのタスク（時間セグメント一致：オーディオブック、シャーロック映画；シーン再考一致：シャーロック再考）を用いて性能を検証し、ランダム一致の基準としての確率的精度を用いる。
• 全検索ライトの結果を集約し、全体の精度を算出し、$ k=100 $ を用いた全脳要因モデルと比較する。

実験結果

リサーチクエスチョン

• RQ1 検索ライトベースの共有応答要因モデルは、fMRIデータにおける被験者間で共有される情報がエンコードされる小さな脳領域を効果的に局所化できるか？
• RQ2 局所的要因モデルの性能は、全脳要因モデルに比べて共有認知状態を検出する際に優れているか？
• RQ3 局所的解析において、最高の精度を達成する要因モデルの変種（例：SR-ICA、SRM）はどれか？ また、潜在的要因の数が最も少ないのはどれか？
• RQ4 要因分解における空間局所性の保持は、全体の分類精度を低下させるのか、それとも維持されたり、むしろ向上するのか？
• RQ5 本手法は、特定の刺激に応じて反応する生物学的に意味のある領域（例：一次感覚皮質、PMC などの高次連合領域）を同定できるか？

主な発見

• SR-ICA は、時間セグメント一致およびシーン再考タスクの両方で、SRM や SR-GICA と比較して最高の分類精度を達成した。
• 時間セグメント一致タスクでは、オーディオブックデータセットでは一次聴覚皮質（EAC）が最も有用な領域であり、シャーロック映画データセットでは一次視覚皮質（EVC）が最も有用であった。これは刺激モality と整合的であった。
• シーン再考タスクでは、後側内側皮質（PMC）が重要な領域として浮き彫りになった。これは、記憶想起時の高次認知処理におけるPMCの役割を示唆している。
• 検索ライトの空間的制約があるにもかかわらず、全体の分類精度は低下せず、むしろ全脳要因モデルと比較して上昇した場合もあった。
• $ k $ マップの結果から、SR-ICA は他のモデルと同等の精度を達成しながらも、顕著に少ない潜在的要因数で実現しており、より優れた表現的効率性を示している。
• 時間セグメント一致の確率的精度は、オーディオブックで 0.0044、シャーロック映画で 0.001 であり、シーン再考タスクでは 0.02 であった。これにより、観察された結果の統計的有意性が確認された。