[論文レビュー] DreaMR: Diffusion-driven Counterfactual Explanation for Functional MRI

Hasan A. Bedel, Tolga Çukur|arXiv (Cornell University)|Jul 18, 2023

Advanced Neuroimaging Techniques and Applications被引用数 4

ひとこと要約

DreaMR は、機能的 MRI における拡散駆動型反事実説明法であり、分数マルチフェーズ蒸留拡散事前分布とトランスフォーマー型アーキテクチャを活用して、長距離の空間的・時系列的依存関係をモデル化することで、高精度で妥当性の高い反事実 fMRI サンプルを生成する。DreaMR は、fMRI 解釈における最先端の反事実手法と比較して、特異性、忠実度、サンプリング効率の面で優れた性能を発揮し、脳応答のより信頼性が高く解釈可能な深層学習解析を可能にする。

ABSTRACT

Deep learning analyses have offered sensitivity leaps in detection of cognitive states from functional MRI (fMRI) measurements across the brain. Yet, as deep models perform hierarchical nonlinear transformations on their input, interpreting the association between brain responses and cognitive states is challenging. Among common explanation approaches for deep fMRI classifiers, attribution methods show poor specificity and perturbation methods show limited plausibility. While counterfactual generation promises to address these limitations, previous methods use variational or adversarial priors that yield suboptimal sample fidelity. Here, we introduce the first diffusion-driven counterfactual method, DreaMR, to enable fMRI interpretation with high specificity, plausibility and fidelity. DreaMR performs diffusion-based resampling of an input fMRI sample to alter the decision of a downstream classifier, and then computes the minimal difference between the original and counterfactual samples for explanation. Unlike conventional diffusion methods, DreaMR leverages a novel fractional multi-phase-distilled diffusion prior to improve sampling efficiency without compromising fidelity, and it employs a transformer architecture to account for long-range spatiotemporal context in fMRI scans. Comprehensive experiments on neuroimaging datasets demonstrate the superior specificity, fidelity and efficiency of DreaMR in sample generation over state-of-the-art counterfactual methods for fMRI interpretation.

研究の動機と目的

• 深層学習モデルの fMRI 解釈の課題に対処するため、最小限の変更でかつ高妥当性のある反事実 fMRI サンプルを生成すること。
• 従来の変分的または敵対的事前分布に依存する反事実手法には、しばしば低忠実度または不安定なサンプルが生じるという限界を克服すること。
• 新規の分数マルチフェーズ蒸留拡散事前分布（FMD）を導入することで、fMRI の反事実生成におけるサンプリング効率と忠実度を向上させること。
• 拡散ベースの生成と分類器ガイドランス、および空間的・時系列的文脈のトランスフォーマーモデリングを組み合わせることで、高特異性・高妥当性の fMRI 分類器の説明を可能にすること。
• さまざまな深層学習アーキテクチャや将来のマルチモodal または回帰ベースの fMRI モデルに適用可能なモデルに依存しないフレームワークを確立すること。

提案手法

• DreaMR は、入力 fMRI サンプルに対してノイズを時間ステップにわたり徐々に加える前向き拡散プロセスを用いる。
• F 均等な部分に分割された、新規の分数マルチフェーズ蒸留（FMD）拡散事前分布を採用し、各部分に専用のノイズ除去ネットワークを割り当てることで、効率的かつ高忠実度の逆方向サンプリングを実現する。
• 分類器ガイドランスは、各部分の最終段階で、下流分類器の条件付きスコアを用いて予測された認知状態を反転させる形で統合される。
• トランスフォーマーのエンコーダーを拡散モデルに統合し、fMRI データにおける脳領域と時間点の間の長距離の空間的・時系列的依存関係を捉える。
• 元のサンプルと生成されたサンプルの L2 差分を最小化しつつ、分類器の意思決定が変化することを保証することで、反事実サンプルを生成する。
• FMD 事前分布により、複数フェーズからの知識を蒸留することで、品質を損なわずに逆方向ステップ数を削減し、より高速なサンプリングを実現する。

実験結果

リサーチクエスチョン

• RQ1 変分的または敵対的事前分布と比較して、拡散ベースの生成事前分布は、より高い忠実度と妥当性を持つ反事実 fMRI サンプルを生成できるか？
• RQ2 高次元の fMRI データにおける拡散ベースの反事実生成において、サンプル品質を損なわずに、どのようにしてサンプリング効率を向上させることができるか？
• RQ3 トランスフォーマー アーキテクチャの統合が、fMRI 反事実における長距離の空間的・時系列的依存関係のモデリングにどの程度寄与するか？
• RQ4 提案された分数マルチフェーズ蒸留戦略は、fMRI 反事実におけるサンプリング速度と生成忠実度のトレードオフにどのように影響を与えるか？
• RQ5 本手法は、深層 fMRI 分類におけるアトリビューション法や摂動ベース手法と比較して、優れた特異性と妥当性を達成できるか？

主な発見

• DreaMR は、近接度スコア 38.7 ± 1.9、特異度 10.6 ± 0.8、FID 21.5 ± 0.4 を達成し、fMRI における反事実生成の分野でアブレーション変種および最先端手法を上回った。
• トランスフォーマー部を除去すると、近接度スコアは 47.5 ± 2.3、特異度は 14.0 ± 0.9 に上昇し、空間的・時系列的文脈のモデリングにおけるその重要性が示された。
• ランジュバンサンプリングを省略した場合、近接度スコアは 44.7 ± 2.1、特異度は 13.0 ± 0.8 に上昇し、確率的サンプリングが生成品質を向上させることを示した。
• マルチフェーズ蒸留戦略は顕著な性能向上をもたらし、F=4 かつ P=7 の組み合わせが最良の FID（21.5 ± 0.4）を達成した。8 以上の分数を増やすと効果の逓減が見られた。
• F=8 かつ P=7 の FMD 事前分布が最も低い FID（21.5 ± 0.4）を達成し、分数蒸留がサンプリング効率と忠実度を向上させることを確認した。
• DreaMR は、アブレーションモデルと比較して、すべての指標で優れた性能を示し、fMRI における最適な反事実説明のためのすべての構成要素の必要性を裏付けた。