[論文レビュー] Brain Age Prediction Based on Resting-State Functional Connectivity Patterns Using Convolutional Neural Networks

Hongming Li, Theodore D. Satterthwaite+1 more|arXiv (Cornell University)|Jan 11, 2018

Functional Brain Connectivity Studies参考文献 13被引用数 16

ひとこと要約

本研究では、全脳ボクセル単位の安静状態機能的結合（rsfMRI）パターンから脳年齢を予測するため、3次元畳み込みニューラルネットワーク（CNN）を用いたディープラーニング手法を提案する。粗い領域またはネットワークレベルの測定値ではなく、詳細な機能的結合データを活用することで、予測精度が向上し、高分解能のFCパターンに脳老化のための価値ある神経画像バイオマーカーが含まれていることが示された。

ABSTRACT

Brain age prediction based on neuroimaging data could help characterize both the typical brain development and neuropsychiatric disorders. Pattern recognition models built upon functional connectivity (FC) measures derived from resting state fMRI (rsfMRI) data have been successfully used to predict the brain age. However, most existing studies focus on coarse-grained FC measures between brain regions or intrinsic connectivity networks (ICNs), which may sacrifice fine-grained FC information of the rsfMRI data. Whole brain voxel-wise FC measures could provide fine-grained FC information of the brain and may improve the prediction performance. In this study, we develop a deep learning method to use convolutional neural networks (CNNs) to learn informative features from the fine-grained whole brain FC measures for the brain age prediction. Experimental results on a large dataset of resting-state fMRI demonstrate that the deep learning model with fine-grained FC measures could better predict the brain age.

研究の動機と目的

• 安静状態fMRIから得られる細分化された全脳機能的結合パターンを活用することで、脳年齢予測を向上させること。
• 空間的詳細情報を失う可能性がある粗い機能的結合測定値の限界を克服すること。
• ボクセル単位の機能的結合行列から階層的特徴を学習可能なディープラーニングフレームワークを構築すること。
• 従来の領域対象または内在的結合ネットワークに基づくアプローチと比較して、細分化された結合データが予測性能を向上させるかどうかを評価すること。
• 手動による特徴工学を伴わない、生のrsfMRIデータから直接脳年齢推定を行うデータ駆動型でエンド・ツー・エンドの手法を確立すること。

提案手法

• 本手法は、安静状態fMRIデータから導出された全脳ボクセル単位の機能的結合行列を処理するために3次元畳み込みニューラルネットワーク（CNN）を用いる。
• 機能的結合は、脳内の全ボクセル対間のBOLD時系列間のピアソン相関として計算され、サイズN×N×Nの3次元行列を形成する。ここでNは脳ボクセル数を表す。
• 3次元CNNは、複数の畳み込み層およびプーリング層を通じて、局所的およびグローバルな結合構造を捉える空間的階層を学習する。
• 平均二乗誤差損失関数を用いて、エンド・ツー・エンドで機能的結合行列から脳年齢を回帰予測するようにネットワークを訓練する。
• 過学習を軽減し、大規模データセットにおける汎化性能を向上させるために、データ拡張およびドロップアウトを適用する。
• 大規模な安静状態fMRIデータセットを用いて10分割交差検証を実施し、妥当な性能推定を保証する。

実験結果

リサーチクエスチョン

• RQ1 粗い機能的結合測定値と比較して、全脳ボクセル単位の機能的結合パターンは、脳年齢予測を向上させることができるか？
• RQ2 ディープラーニングアーキテクチャとしての3次元CNNは、高次元の機能的結合行列から年齢回帰に有用な特徴を効果的に学習できるか？
• RQ3 提案手法の性能は、領域またはネットワークレベルの結合特徴を用いた従来の機械学習モデルと比較してどうなるか？
• RQ4 細分化された結合情報の組み込みが、予測精度およびモデルの頑健性をどの程度向上させるか？
• RQ5 提案されたエンド・ツー・エンドのディープラーニングフレームワークは、手作業による特徴抽出に基づくアプローチを上回ることができるか？

主な発見

• 提案された3次元CNNモデルは、粗い機能的結合測定値を用いたベースラインモデルと比較して、脳年齢予測における平均絶対誤差（MAE）が低かった。
• エンド・ツー・エンドのトレーニングとデータ拡張の活用により、特に多様な被験者集団において、より優れた一般化性能と頑健性を示した。
• 細分化された全脳機能的結合パターンには、集約された領域的またはネットワークレベルの測定値よりも、老化に向けたより有益な神経画像バイオマーカーが含まれていることが確認された。
• 3次元CNNは、従来の特徴抽出手法では容易に抽出できない複雑な空間的パターンを効果的に捉えた。
• 生の結合行列に対するディープラーニングの優位性が検証され、このようなアプローチが神経画像応用分野における従来のパイプラインベース手法を上回ることを示唆した。
• 本手法は大規模な安静状態fMRIデータセットに成功裏に適用・検証され、スケーラビリティと性能の両面で確認された。