[論文レビュー] Deep learning for neuroimaging: a validation study

Sergey Plis, Devon Hjelm+2 more|arXiv (Cornell University)|Dec 20, 2013

Functional Brain Connectivity Studies参考文献 31被引用数 17

ひとこと要約

本研究では、構造的および機能的MRIデータから生体的に意味のある表現を学習できるという点で、深層学習、特に制限ボルツマンマシン（RBMs）およびディープベルリッジネットワーク（DBNs）の神経画像法への妥当性を検証した。著者らは、深さが向上することでグループ間の分離が強化され、ハンチントン病データにおいて疾患の重症度勾配が明らかになること、また、深層モデルが浅いモデルよりも疾患関連の潜在パターンをより効果的に捉えられることを示した。この結果は、新たな制約に基づく可視化手法によって検証された。

ABSTRACT

Deep learning methods have recently made notable advances in the tasks of classification and representation learning. These tasks are important for brain imaging and neuroscience discovery, making the methods attractive for porting to a neuroimager's toolbox. Success of these methods is, in part, explained by the flexibility of deep learning models. However, this flexibility makes the process of porting to new areas a difficult parameter optimization problem. In this work we demonstrate our results (and feasible parameter ranges) in application of deep learning methods to structural and functional brain imaging data. We also describe a novel constraint-based approach to visualizing high dimensional data. We use it to analyze the effect of parameter choices on data transformations. Our results show that deep learning methods are able to learn physiologically important representations and detect latent relations in neuroimaging data.

研究の動機と目的

• 浅い深層学習モデル（例：RBMs）が、ICAなどの伝統的神経画像法と同等またはそれ以上の特徴抽出能力を有するかどうかを評価すること。
• sMRIおよびfMRIデータにおける表現学習と分類性能に与えるモデルの深さの影響を調査すること。
• 大規模かつ多様な神経画像データセットにおける隠れた生物学的に関連する構造を発見するための深層学習の有効性を評価すること。
• 深層ネットワークが学習する高次元変換を可視化するための新規な制約に基づく埋め込み手法を開発・適用すること。
• マルチサイト、マルチスキャナ、マルチ磁束密度の神経画像データにおいて、深層学習の頑健性を検証すること。

提案手法

• 神経画像データから特徴を学習するため、浅い生成モデルとして制限ボルツマンマシン（RBM）を用い、重み行列を空間次元に適用した。
• sMRIおよびfMRIデータにおける階層的表現を学習するために、スタックされたRBMsを用いたディープベルリッジネットワーク（DBNs）を適用した。
• DBNsが適用する変換を可視化・分析するために、新規な制約満たし埋め込み手法を採用し、制約の複雑さを制御した。
• 3500名の被験者（2641名がHD患者、859名が対照群）の生sMRIデータを32の施設から収集し、DBNを事前学習した後、分類タスクに微調整した。
• スペクトル分解と疾患重症度のカラーコーディングを用いて、埋め込み空間における潜在的構造を可視化した。
• バイナリ分類タスクにおけるFスコアを用いて、ICAおよび標準分類器（SVM、ロジスティック回帰）と性能を比較した。

実験結果

リサーチクエスチョン

• RQ1 浅いRBMは、神経画像法における既存手法（例：ICA）と同等の生体的に意味のある特徴を生成できるか？
• RQ2 DBNの深さを増すことで、構造的MRIデータにおける判別的表現の学習能力が向上するか？
• RQ3 深層学習モデルは、単なる分類を越えて、神経画像データに隠れた生物学的に関連するパターンを明らかにできるか？
• RQ4 モデルの深さが、多様な神経画像データにおける表現能力と一般化性能に与える影響は何か？
• RQ5 新規な制約に基づく埋め込み手法は、高次元神経画像データにおける深層ネットワークが学習する変換を効果的に可視化・解釈できるか？

主な発見

• シミュレーションデータにおいて、浅いRBMはICAと同等のFスコアを達成し、焦点的で生体的に妥当な特徴を生成し、意味のある時間的相関を示した。
• PREDICT-HDデータセットにおいて、DBNのバイナリ分類性能（対照群 vs. 患者）は深さ3で回復し、Fスコア1.00を達成したが、深さ1および2では表現能力の制限により低下した。
• 制約に基づく埋め込み手法により、事前にラベルを参照せずにsMRIスキャンにおける疾患重症度の連続的スケールが明確に可視化された。この手法により、元のデータやt-SNEでは見えなかった潜在的構造が明らかになった。
• DBNsはマルチサイト、マルチスキャナ、マルチ磁束密度データにおいても頑健性を示し、前処理のばらつきにもかかわらず強力な一般化能力を示した。
• ネットワークの深さがグループ間の分離および特徴学習を顕著に向上させ、深さ3のモデルが、微細な疾患関連パターンを捉える点で浅いアーキテクチャを上回った。
• 可視化手法により、DBNが臨床的重症度と整合する意味のある非線形変換を学習していることが明らかになった。これは、探索的神経科学的発見に有用であると示唆された。