[論文レビュー] Deep learning of fMRI big data: a novel approach to subject-transfer decoding

Sotetsu Koyamada, Yumi Shikauchi+3 more|arXiv (Cornell University)|Jan 31, 2015

Functional Brain Connectivity Studies参考文献 6被引用数 54

ひとこと要約

本稿では、ヒューマン・コンネクトーム・プロジェクト（HCP）の大型データセット（500名以上）を用いて学習された、深層ニューラルネットワーク（DNN）ベースのfMRIデータ向け被験者間転送デコーダーを提案する。SVMやロジスティック回帰のベースラインと比較して、より高いデコーディング精度を達成した。本手法は、主な感受性分析（PSA）を用いて、被験者に依存しない非線形特徴を効果的に捉え、機能的結合ネットワークに関連する判別性の高い脳領域を明らかにした。

ABSTRACT

As a technology to read brain states from measurable brain activities, brain decoding are widely applied in industries and medical sciences. In spite of high demands in these applications for a universal decoder that can be applied to all individuals simultaneously, large variation in brain activities across individuals has limited the scope of many studies to the development of individual-specific decoders. In this study, we used deep neural network (DNN), a nonlinear hierarchical model, to construct a subject-transfer decoder. Our decoder is the first successful DNN-based subject-transfer decoder. When applied to a large-scale functional magnetic resonance imaging (fMRI) database, our DNN-based decoder achieved higher decoding accuracy than other baseline methods, including support vector machine (SVM). In order to analyze the knowledge acquired by this decoder, we applied principal sensitivity analysis (PSA) to the decoder and visualized the discriminative features that are common to all subjects in the dataset. Our PSA successfully visualized the subject-independent features contributing to the subject-transferability of the trained decoder.

研究の動機と目的

• 被験者に依存しない普遍的な脳デコーダーの開発を目的とし、被験者特化型デコーダーの限界を克服すること。
• 大規模fMRIデータを活用した深層学習により、非線形的かつ被験者に依存しない特徴を抽出し、デコーディング性能を向上させること。
• 主な感受性分析（PSA）を用いて、被験者間で共通する判別性の高い脳特徴を同定・可視化すること。
• トレーニングデータ量の増加に伴いデコーダー性能が単調に向上することを示し、普遍的特徴の有効な学習が行われていることを示すこと。

提案手法

• ヒューマン・コンネクトーム・プロジェクト（HCP S500リリース）の499名分のタスク誘発fMRIデータを用い、7つの認知的タスクカテゴリをラベルとして深層ニューラルネットワーク（DNN）を学習した。
• 被験者間でのfMRI活動パターンの複雑で階層的な表現をモデル化するため、多層的かつ非線形なDNNアーキテクチャを採用した。
• 各分類ごとに最も影響力のある脳領域（ROI）を同定・可視化するために、主な感受性分析（PSA）を用いた。各分類ごとに主な感受性マップ（PSM）を計算した。
• 入力特徴を摂動させ、出力の変化を測定することでPSMを計算し、平均値から少なくとも1標準偏差以上離れた領域に注目した。
• PSM間の類似性をコサイン類似度で評価し、階層的クラスタリングを適用することで、分類固有の特徴間の構造的関係を明らかにした。
• 被験者に依存しないテストセットを用いた5分割交差検証により、DNNの性能をSVMやロジスティック回帰のベースラインと比較した。

実験結果

リサーチクエスチョン

• RQ1 大規模かつ多様なfMRIデータで学習された深層ニューラルネットワークは、被験者間で一般化し、高いデコーディング精度を達成できるか？
• RQ2 多様な被験者間で、タスクカテゴリをデコードするために最も重要な被験者に依存しない脳特徴は何か？
• RQ3 DNNベースのデコーダーの性能は、トレーニングデータ量の増加に伴いどのように変化するか？
• RQ4 PSAによって同定された判別性の高い特徴は、既知の機能的結合ネットワークとどの程度一致するか？

主な発見

• DNNベースの被験者間転送デコーダーは、未観測の被験者からの独立したテストデータにおいて、SVMやロジスティック回帰のベースラインと比較して顕著に高いデコーディング精度を達成した。
• トレーニング被験者数の増加に伴い、デコーディング精度が単調に向上した。これは、普遍的で被験者に依存しない特徴が効果的に学習されていることを示している。
• 主な感受性分析（PSA）は、特に前頭頭頂連合野およびデフォルトモードネットワークに位置する脳領域を、被験者間で一貫して重要であると特定した。
• PSMは、背側注意ネットワークやデフォルトモードネットワークなど、既知の機能的結合ネットワークとの非自明な関連性を明らかにした。
• PSMのコサイン類似度分析により、分類固有の特徴間に構造的な関係が存在し、階層的クラスタリングによりタスクカテゴリの機能的グループ化が明らかになった。
• 結果から、被験者間で共通する機能的結合パターンが、DNNベースのデコーダーの一般化能力の背後に存在していることが示唆された。