[論文レビュー] Discovering Dynamic Functional Brain Networks via Spatial and Channel-wise Attention

Yiheng Liu, Enjie Ge+7 more|arXiv (Cornell University)|May 19, 2022

Functional Brain Connectivity Studies被引用数 6

ひとこと要約

本稿では、スライディングウィンドウに依存せずに、休息状態fMRIデータから動的機能的脳ネットワーク（FBNs）を同定するため、空間的・チャネル別アテンションオートエノード（SCAAE）を提案する。空間的アテンションにより空間的に相互作用するFBNsを検出し、チャネル別アテンションにより関連するネットワークを自動選択することで、線形性や独立性の仮定を排除しながら、一時的で時間的に変化する脳ネットワークダイナミクスを捉える。標準ICAテンプレートと高い空間類似度を達成するとともに、推論が高速である。

ABSTRACT

Using deep learning models to recognize functional brain networks (FBNs) in functional magnetic resonance imaging (fMRI) has been attracting increasing interest recently. However, most existing work focuses on detecting static FBNs from entire fMRI signals, such as correlation-based functional connectivity. Sliding-window is a widely used strategy to capture the dynamics of FBNs, but it is still limited in representing intrinsic functional interactive dynamics at each time step. And the number of FBNs usually need to be set manually. More over, due to the complexity of dynamic interactions in brain, traditional linear and shallow models are insufficient in identifying complex and spatially overlapped FBNs across each time step. In this paper, we propose a novel Spatial and Channel-wise Attention Autoencoder (SCAAE) for discovering FBNs dynamically. The core idea of SCAAE is to apply attention mechanism to FBNs construction. Specifically, we designed two attention modules: 1) spatial-wise attention (SA) module to discover FBNs in the spatial domain and 2) a channel-wise attention (CA) module to weigh the channels for selecting the FBNs automatically. We evaluated our approach on ADHD200 dataset and our results indicate that the proposed SCAAE method can effectively recover the dynamic changes of the FBNs at each fMRI time step, without using sliding windows. More importantly, our proposed hybrid attention modules (SA and CA) do not enforce assumptions of linearity and independence as previous methods, and thus provide a novel approach to better understanding dynamic functional brain networks.

研究の動機と目的

• fMRIデータから一時的で動的な機能的脳ネットワーク（FBNs）を捉えるために、静的およびスライディングウィンドウベースの手法に見られる制限を克服すること。
• 従来の手法が直感的でないFBN数の選定やヒューリスティックなウィンドウサイズ設定に依存するのを回避すること。
• ICA や GLM などの伝統的モデルが課す線形性および統計的独立性の制限的仮定を排除すること。
• 各fMRI時間ステップにおいて、エンドツーエンドで自動的に動的FBNを同定できる深層学習フレームワークを構築すること。
• エンコーダ・デコーダの完全な再構成を回避し、アテンションモジュールの出力に焦点を当てることで、推論を高速化するメカニズムを提供すること。

提案手法

• 大きなカーネルサイズを有する3次元畳み込みオートエノードを採用し、fMRI信号を符号化するとともに受容野を拡大する。
• 各時間ステップで機能的ネットワークを形成する脳領域を強調する空間的アテンション（SA）モジュールを導入する。
• 特徴チャネルを適応的に重み付けすることで、関連性の高いFBNを自動的に選択するチャネル別アテンション（CA）モジュールを統合する。
• SAおよびCAモジュールの出力を直接FBN構築に使用し、反復的係数学習や完全なデコーダ推論の必要性を排除する。
• 線形性や独立性を仮定しない、空間的相互作用とチャネル重要性を同時にモデル化する二重アテンション機構を採用する。
• ベンチマーク評価のため、予測されたFBNと標準ICAテンプレートとの類似度をIoUベースの指標で比較する。

実験結果

リサーチクエスチョン

• RQ1 アテンション機構を有する深層学習モデルは、スライディングウィンドウを用いずに、各fMRI時間ステップで動的FBNを同定できるか？
• RQ2 提案手法SCAAEは、従来の手法と比較して、一時的で変化する機能的ネットワーク状態をどの程度正確に捉えることができるか？
• RQ3 アテンションベースのFBN同定は、確立されたICAテンプレートとの空間類似度において、どの程度の性能を示すか？
• RQ4 チャネル別アテンションモジュールは、手動による干渉や事前のネットワーク数の設定なしに、意味のあるFBNを自動的に選択できるか？
• RQ5 提案手法が明らかにする機能的ネットワーク状態遷移の時間的ダイナミクスはどのようなパターンを示すか？

主な発見

• SCAAEはスライディングウィンドウを一切使用せず、各時間ステップで動的FBNを効果的に回復し、機能的ネットワークの進化を連続的かつ時間分解能を保った形で可視化できる。
• SCAAEが予測したFBNとICAテンプレートとの平均IoUは、KKIで0.4071、PUで0.4955、NYUで0.5024、NIで0.5103に達し、単一時間ステップモデルであるにもかかわらず、強い空間類似度を示している。
• FBNの時間的変化は滑らかであり、4つのADHD200データセットのサイト間で、連続する時間ステップ間の平均IoUは0.4071〜0.5103の範囲で変動した。
• 機能的ネットワーク状態遷移解析から、テンプレート0が最も頻繁に活性化され、最も高い相互接続性を示した一方、テンプレート8は実際には出現しなかったことから、理論的構造である可能性が示唆された。
• （単一時間ステップ vs. 群ベースのICA/SDLという不利な条件に置かれていたにもかかわらず）SCAAEは競争力ある性能を達成しており、その有効性と意味の有りかたを示している。
• エンコーダ・デコーダの完全な再構成をスキップし、アテンションモジュールの出力のみに依存することで、モデルの推論は従来手法よりも著しく高速である。