[論文レビュー] Connectome Smoothing via Low-rank Approximations

Runze Tang, Michael D. Ketcha+6 more|arXiv (Cornell University)|Sep 6, 2016

Functional Brain Connectivity Studies参考文献 38被引用数 5

ひとこと要約

本稿では、小規模なサンプルサイズにおける機能的結合計画の推定を改善するために、自動ランク選択と対角項補正を組み合わせた低ランク行列近似手法を提案する。この手法は、エントリごとの標本平均よりも分散を著しく低減し、脳小葉およびマウスのスーパ構造組織と相関するより正確で解釈可能な「エイゲン結合計画」を生成する。

ABSTRACT

In statistical connectomics, the quantitative study of brain networks, estimating the mean of a population of graphs based on a sample is a core problem. Often, this problem is especially difficult because the sample or cohort size is relatively small, sometimes even a single subject. While using the element-wise sample mean of the adjacency matrices is a common approach, this method does not exploit any underlying structural properties of the graphs. We propose using a low-rank method which incorporates tools for dimension selection and diagonal augmentation to smooth the estimates and improve performance over the naive methodology for small sample sizes. Theoretical results for the stochastic blockmodel show that this method offers major improvements when there are many vertices. Similarly, we demonstrate that the low-rank methods outperform the standard sample mean for a variety of independent edge distributions as well as human connectome data derived from magnetic resonance imaging, especially when sample sizes are small. Moreover, the low-rank methods yield "eigen-connectomes", which correlate with the lobe-structure of the human brain and superstructures of the mouse brain. These results indicate that low-rank methods are an important part of the tool box for researchers studying populations of graphs in general, and statistical connectomics in particular.

研究の動機と目的

• 高次元性とノイズの影響により、標準的手法が性能を発揮できない小規模な脳ネットワークサンプルから、集団平均グラフを推定する課題に取り組む。
• 結合計画学における一般的な小規模サンプル・大規模ネットワーク設定において、エントリごとの標本平均推定器の高い分散を克服する。
• 隣接行列に内在する低ランク構造を活用することで、バイアス-バリアンストレードオフを介して推定誤差を低減する。
• 潜在的な結合計画構造を捉えられ、探索的解析を可能にする、堅牢で計算的に効率的な推定器を開発する。
• 合成データ、ストークスティックブロックモデル、および実際の人間結合計画データにおいて、標本平均法を上回る本手法の優位性を実証する。

提案手法

• 標本平均隣接行列 $\bar{A}$ を、切り捨てられた特異値分解（SVD）を用いて近似する低ランク推定器 $\hat{P}$ を提案する。
• 標準的なSVDで対角項が削除されるため、自己結合推定値を保持するための対角項補正を組み込む。
• 交差検証および情報量基準（例：AIC/BIC）を用いて、バイアスとバリアンスのバランスを最適化する自動ランク選択を実施する。
• 確率的ブロックモデル（SBM）下での合成ネットワークおよびDT-MRIからの実際の人間結合計画データに本手法を適用する。
• 主成分の特異ベクトルからなる「エイゲン結合計画」を構築し、潜在的な脳ネットワーク構造の可視化と解釈を可能にする。
• 平均二乗誤差（MSE）の比較と、脳領域ラベルの分類タスクを用いて性能を検証する。

実験結果

リサーチクエスチョン

• RQ1 サンプルサイズ M がネットワークサイズ N より小さい場合、低ランク近似は平均グラフ推定における推定誤差を顕著に低減できるか？
• RQ2 さまざまなエッジ分布およびネットワークモデル下で、低ランク推定器はエントリごとの標本平均推定器と比べてどのように性能を発揮するか？
• RQ3 低ランク近似は、脳小葉やマウスのスーパ構造といった既知の神経解剖学的構造をどの程度回復できるか？
• RQ4 多様なネットワーク設定において、自動ランク選択はバイアスとバリアンスのバランスをどの程度適切にとれるか？
• RQ5 本手法は、同様のノイズおよび次元の課題を有する機能的MRIや他のネットワーク推定タスクへ一般化可能か？

主な発見

• サンプルサイズ M が小さい場合、特に高次元設定下で、低ランク推定器 $\hat{P}$ はエントリごとの標本平均よりも平均二乗誤差（MSE）の観点で顕著に優れている。
• ストークスティックブロックモデル下での理論的分析により、N が増加するに従い、低ランク手法は顕著な漸近的相対的効率性の向上を示す。
• 主成分の特異ベクトルからなる $\hat{P}$ の「エイゲン結合計画」は、人間結合計画における既知の脳小葉構造およびマウス結合計画におけるスーパ構造と強く相関している。
• 真のグラフが低ランクでない場合でも、$\hat{P}$ は強固な性能を維持しており、モデルの誤指定に対しても耐性があることが示された。
• 実際の人間結合計画データにおいて、M が小さい場合（例：10名未満）に本手法は最大の改善効果を示し、M が増加するにつれて改善効果は薄れる。
• 特異ベクトルを用いた脳領域の分類において、図5cの正規化された混同行列が示すように、スーパ構造ラベルの予測精度が非常に高い。