[論文レビュー] Electromagnetic Source Imaging via a Data-Synthesis-Based Denoising Autoencoder.

Gexin Huang, Zhu Liang Yu+6 more|arXiv (Cornell University)|Oct 24, 2020

Ultrasonics and Acoustic Wave Propagation参考文献 55被引用数 4

ひとこと要約

本稿では、測定されたMEG/EEG信号から皮質源へと逆写像を学ぶためにニューラルネットワークを活用する、データ合成に基づくノイズ除去オートエンコーダー（DST-DAE）を提案する。前方モデルを用いて大規模な空間時間的データを合成し、空間時間的特徴ブロックを備えたDAEを訓練することで、従来の事前分布に基づくアプローチに比べ、優れた源推定精度とノイズ耐性を達成する。

ABSTRACT

Electromagnetic source imaging (ESI) is a highly ill-posed inverse problem. To find a unique solution, traditional ESI methods impose a variety of priors that may not reflect the actual source properties. Such limitations of traditional ESI methods hinder their further applications. Inspired by deep learning approaches, a novel data-synthesized spatio-temporal denoising autoencoder method (DST-DAE) method was proposed to solve the ESI inverse problem. Unlike the traditional methods, we utilize a neural network to directly seek generalized mapping from the measured E/MEG signals to the cortical sources. A novel data synthesis strategy is employed by introducing the prior information of sources to the generated large-scale samples using the forward model of ESI. All the generated data are used to drive the neural network to automatically learn inverse mapping. To achieve better estimation performance, a denoising autoencoder (DAE) architecture with spatio-temporal feature extraction blocks is designed. Compared with the traditional methods, we show (1) that the novel deep learning approach provides an effective and easy-to-apply way to solve the ESI problem, that (2) compared to traditional methods, DST-DAE with the data synthesis strategy can better consider the characteristics of real sources than the mathematical formulation of prior assumptions, and that (3) the specifically designed architecture of DAE can not only provide a better estimation of source signals but also be robust to noise pollution. Extensive numerical experiments show that the proposed method is superior to the traditional knowledge-driven ESI methods.

研究の動機と目的

• 数学的事前分布が不正確である可能性があるという、従来のESI手法の限界を克服すること。
• 明示的な事前仮定に依存せず、測定された電磁気信号から皮質源へと逆写像を学ぶデータ駆動型アプローチを開発すること。
• ESIの前方モデルを用いて生成された大規模かつ現実的な合成データを活用することで、推定性能を向上させること。
• 空間時間的特徴抽出を備えた特に設計されたノイズ除去オートエンコーダー構造により、ノイズへの耐性を高めること。
• 臨床的および研究的応用において、より汎用的で実用的な電磁源イメージングのソリューションを提供すること。

提案手法

• ESIの前方モデルに源の事前情報を取り入れることで、大規模な空間時間的サンプルを生成するための新しいデータ合成戦略を採用する。
• 訓練データは現実的な源分布を反映するように合成され、ネットワークが多様で妥当な源配置から学習できるようにする。
• 空間的および時間的依存性を両方モデル化できるように、特別に設計された空間時間的特徴抽出ブロックを備えたノイズ除去オートエンコーダー（DAE）アーキテクチャを設計する。
• DAEは、ノイズの多い入力信号からクリアな源推定を再構築するように訓練され、測定ノイズに対する耐性が向上する。
• ネットワークは、測定されたMEG/EEG信号から直接、推定された皮質源分布へとエンドツーエンドの写像を学習する。
• 合成データ分布からの逆写像を暗黙的に学習することで、明示的な事前分布の定式化を回避する。

実験結果

リサーチクエスチョン

• RQ1 深層学習ベースのアプローチは、手作業で作成された事前分布に依存する従来のESI手法に比べ、源推定精度で優れていると言えるか？
• RQ2 前方モデルを用いたデータ合成は、ESIの訓練データの現実性と代表的特性をどの程度向上させるか？
• RQ3 DAEアーキテクチャに統合された空間時間的特徴抽出は、源推定性能をどの程度向上させるか？
• RQ4 ノイズ除去オートエンコーダー部は、標準的なオートエンコーダーや従来の手法と比較して、測定信号のノイズに強いと言えるか？
• RQ5 提案手法は、特定の事前仮定に過剰に適合することなく、未知の源配置に対しても十分に一般化できるか？

主な発見

• 広範な数値実験において、提案されたDST-DAE手法は、従来の知識駆動型ESI手法に比べ、優れた源推定精度を達成した。
• データ合成戦略により、数学的仮定に基づく事前分布よりも、実際の源特性をよりよく反映できるようになった。
• ノイズ除去オートエンコーダー構造により、測定信号におけるノイズ汚染への耐性が顕著に向上した。
• 空間時間的特徴抽出ブロックは、源信号内の複雑な時間的ダイナミクスと空間パターンを効果的に捉えた。
• 固定された事前制約に依存するのではなく、多様な合成データ分布から学習することで、より汎用的なソリューションが得られた。
• 結果から、データ合成を活用した深層学習が、ESIの逆問題の不適切性を効果的に解決できることを示した。