[論文レビュー] Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis

Qiankun Zuo, Tian, Hao+4 more|arXiv (Cornell University)|May 18, 2023

Functional Brain Connectivity Studies被引用数 4

ひとこと要約

本稿では、4D fMRIから軽度認知障害（MCI）の分析のための脳効果的結合（BEC）を生成するために、敵対的機能拡散を組み合わせたマルチスケール時空間強化トランスフォーマー除去（MSETD）ネットワークを提案する。条件付き拡散プロセスとマルチスケールトランスフォーマー生成器・識別器を活用することで、優れたBEC予測が達成され、臨床的に整合性のあるMCI関連の因果的結合が同定される。

ABSTRACT

Effective connectivity can describe the causal patterns among brain regions. These patterns have the potential to reveal the pathological mechanism and promote early diagnosis and effective drug development for cognitive disease. However, the current methods utilize software toolkits to extract empirical features from brain imaging to estimate effective connectivity. These methods heavily rely on manual parameter settings and may result in large errors during effective connectivity estimation. In this paper, a novel brain imaging-to-graph generation (BIGG) framework is proposed to map functional magnetic resonance imaging (fMRI) into effective connectivity for mild cognitive impairment (MCI) analysis. To be specific, the proposed BIGG framework is based on the diffusion denoising probabilistic models (DDPM), where each denoising step is modeled as a generative adversarial network (GAN) to progressively translate the noise and conditional fMRI to effective connectivity. The hierarchical transformers in the generator are designed to estimate the noise at multiple scales. Each scale concentrates on both spatial and temporal information between brain regions, enabling good quality in noise removal and better inference of causal relations. Meanwhile, the transformer-based discriminator constrains the generator to further capture global and local patterns for improving high-quality and diversity generation. By introducing the diffusive factor, the denoising inference with a large sampling step size is more efficient and can maintain high-quality results for effective connectivity generation. Evaluations of the ADNI dataset demonstrate the feasibility and efficacy of the proposed model. The proposed model not only achieves superior prediction performance compared with other competing methods but also predicts MCI-related causal connections that are consistent with clinical studies.

研究の動機と目的

• 複雑な因果的脳結合を捉えるために、手動によるfMRI前処理や浅いモデルに依存する従来手法の限界を是正すること。
• 経験的時系列抽出に依存せず、生のfMRIから効果的結合へマッピングするエンドツーエンドフレームワークの開発。
• 敵対的および拡散ベースの除去を用いて、生成された効果的結合グラフの品質、多様性、効率を向上させること。
• アルツハイマー病およびMCIの臨床的文献と整合するMCI関連の因果的結合を同定することによるバイオマーカー発見の可能性を追求すること。

提案手法

• Blurred fMRI時系列を段階的に除去することで、綺麗で高品質なROIベースの時系列に変換する条件付き拡散確率モデル（DDPM）を採用。
• 空間的・時間的マルチヘッドアテンションを備えたマルチスケール強化トランスフォーマー生成器を導入し、複数スケールでの局所的およびグローバルな時空間特徴を抽出。
• 異なるスケールでの時間的パターンを捉え、敵対的訓練プロセスを安定化させるマルチスケール拡散型トランスフォーマー識別器を設計。
• 3D fMRIを90の領域（ROIs）にパラメトライズするためにAAL90アトラスを適用し、方向性を持つエッジを有するグラフベースのBEC表現を可能に。
• DDPMの遅い除去プロセスを加速させつつ、サンプルの多様性と品質を保持するための敵対的戦略を適用。
• 中間の前処理バッファを回避するため、エンドツーエンドで4D fMRIから直接効果的結合グラフを生成するようにモデルを訓練。

実験結果

リサーチクエスチョン

• RQ1 手動による前処理に依存せず、ノイズの多いfMRI時系列から高品質な効果的結合を再構成できる条件付き拡散ベースの生成モデルは、有効に機能するか？
• RQ2 マルチスケール時空間アテンション機構は、生成された脳結合グラフの忠実性と多様性をどのように向上させるか？
• RQ3 敵対的訓練戦略は、拡散ベースの除去プロセスの効率性と品質をどの程度向上させるか？
• RQ4 生成されたMCI関連の因果的結合は生物学的に妥当であり、アルツハイマー病およびMCIの臨床的報告と整合的か？

主な発見

• 提案されたMSETDモデルは、ADNIデータセットにおいて、競合する浅い学習および深層学習手法と比較して優れた予測性能を達成した。
• 敵対的戦略を排除した場合（MSETD w/o MDT）には分類性能が著しく低下し、生成品質と速度の向上におけるその重要性が確認された。
• モデルは12の主要なMCI関連効果的結合を効果的に同定した。特に、記憶力低下に関連する臨床的文献と一致する、HIP.LからPCG.Rへの結合の低下と、HIP.LからMOG.Rへの結合の増強が同定された。
• NCからLMCIに移行する過程で、SOG.RからPCG.Rへの効果的結合が弱まり、記憶関連ネットワークの障害と臨床報告と整合した。
• AMYG、HIP、ANG領域では、既知のMCIおよびアルツハイマー病の病態と相関する結合パターンの変化が観察された。
• モデルは、生のfMRIから生物学的に解釈可能で臨床的に関連性のある効果的結合パターンを生成する可能性と有効性を示した。