[論文レビュー] DiffGAN-F2S: Symmetric and Efficient Denoising Diffusion GANs for Structural Connectivity Prediction from Brain fMRI

Qiankun Zuo, Ruiheng Li+5 more|arXiv (Cornell University)|Sep 28, 2023

Functional Brain Connectivity Studies被引用数 5

ひとこと要約

本稿では、1段階のエンドツーエンド処理で機能的MRI（fMRI）から構造的結合（SC）を予測する対称的で効率的なノイズ除去拡散GAN、DiffGAN-F2Sを提案する。ノイズ除去拡散確率的モデルと対抗的学習を統合し、二重チャネル多頭空間注意とグラフ畳み込み型ジェネレータを採用することで、グローバルおよびローカルな脳ネットワーク関係を捉え、空間的に接続された一貫性損失によりトポロジーの一貫性を保持する。ADNIデータセットにおいて最先端の性能を達成した。

ABSTRACT

Mapping from functional connectivity (FC) to structural connectivity (SC) can facilitate multimodal brain network fusion and discover potential biomarkers for clinical implications. However, it is challenging to directly bridge the reliable non-linear mapping relations between SC and functional magnetic resonance imaging (fMRI). In this paper, a novel diffusision generative adversarial network-based fMRI-to-SC (DiffGAN-F2S) model is proposed to predict SC from brain fMRI in an end-to-end manner. To be specific, the proposed DiffGAN-F2S leverages denoising diffusion probabilistic models (DDPMs) and adversarial learning to efficiently generate high-fidelity SC through a few steps from fMRI. By designing the dual-channel multi-head spatial attention (DMSA) and graph convolutional modules, the symmetric graph generator first captures global relations among direct and indirect connected brain regions, then models the local brain region interactions. It can uncover the complex mapping relations between fMRI and structural connectivity. Furthermore, the spatially connected consistency loss is devised to constrain the generator to preserve global-local topological information for accurate intrinsic SC prediction. Testing on the public Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset, the proposed model can effectively generate empirical SC-preserved connectivity from four-dimensional imaging data and shows superior performance in SC prediction compared with other related models. Furthermore, the proposed model can identify the vast majority of important brain regions and connections derived from the empirical method, providing an alternative way to fuse multimodal brain networks and analyze clinical disease.

研究の動機と目的

• 機能的および構造的脳結合の間の複雑で非線形なマッピングを学習する課題に対処すること。
• 直接的なSC取得を必要とせず、エンドツーエンドで高精度な構造的結合の予測を可能にすること。
• マルチモodal脳ネットワーク統合のための強固で対称的なフレームワークを提供すること。
• 機能的MRIから構造的結合への変換中に、グローバルおよびローカルなトポロジカル特性を保持すること。
• 神経変性疾患研究におけるマルチモーダル脳ネットワーク統合のための強固で対称的なフレームワークを提供すること。

提案手法

• ノイズ除去拡散確率的モデル（DDPM）と生成対抗的ネットワーク（GAN）を統合し、数ステップのノイズ除去でfMRIからSCを生成する。
• 二重チャネル多頭空間注意（DMSA）を用いた対称的グラフジェネレータにより、脳領域間の長距離および間接的結合をモデル化する。
• グラフ畳み込みモジュールを統合し、脳ネットワーク内での局所的相互作用を捉え、ノード表現を精緻化する。
• 空間的に接続された一貫性（SC）損失を導入し、予測されたSCと実測SCをグローバルおよびローカルな結合パターンで一致させることで、トポロジー構造を保存する。
• 生成器は、実測SCの分布と一致する現実的なSCサンプルを生成できるように、対抗的損失で訓練される。
• フレームワークはAAL90アトラスを用い、90の脳領域をROIとして定義することで、fMRI時間点間で一貫した特徴表現を可能にする。

実験結果

リサーチクエスチョン

• RQ1 拡散ベースのGANモデルは、エンドツーエンドで高精度な構造的結合をfMRIから効果的に予測できるか？
• RQ2 fMRIからSCへの変換中に、脳ネットワークのグローバルおよびローカルなトポロジカル構造をどのように保持できるか？
• RQ3 対抗的学習と空間的に接続された一貫性損失は、SC予測の忠実性向上にどの程度寄与するか？
• RQ4 モデルは、実測手法と同等の病態関連脳領域および結合をどの程度特定できるか？
• RQ5 構造的および機能的結合予測精度の観点から、本モデルは既存の最先端モデルと比較してどの程度優れているか？

主な発見

• DiffGAN-F2Sは、比較対象の全モデルの中で最小の平均絶対誤差（MAE）0.013 ± 0.007を達成し、顕著にベースラインを上回った。
• 相関係数は0.976 ± 0.021を示し、実測構造的結合と強い一致を示した。
• 空間的に接続された一貫性（SC）損失を除去すると、MAEは0.015に上昇し、トポロジー構造の保持にその重要性が示された。
• モデルは、実測手法で同定された最重要脳領域および結合の95％を効果的に捉えた。
• 定性的および定量的比較により、予測SCが被験者固有および集団レベルの両方で実測結合パターンをよく再現していることが確認された。
• アブレーションスタディにより、GAN損失およびSC損失の両方が不可欠であることが確認された。両方の損失を除去すると、特に結合分布およびトポロジカル忠実性の観点で性能が著しく低下した。