[論文レビュー] Ensemble learning with 3D convolutional neural networks for connectome-based prediction

Meenakshi Khosla, Keith Jamison+2 more|arXiv (Cornell University)|Sep 11, 2018

Functional Brain Connectivity Studies参考文献 51被引用数 3

ひとこと要約

本論文は、多様な脳パラセレーションに基づいて訓練されたモデルを統合するアンサンブル学習フレームワークを提案し、機能的コネクトームに基づく予測性能を向上させる。stochastic parcellationsが標準アトラスと同等の性能を示し、アンサンブル戦略により自閉症スペクトラム障害の分類およびrs-fMRIデータからの年齢予測において、著しく高いロバスト性と正確性が達成されることを示している。

ABSTRACT

The specificty and sensitivity of resting state functional MRI (rs-fMRI) measurements depend on pre-processing choices, such as the parcellation scheme used to define regions of interest (ROIs). In this study, we critically evaluate the effect of brain parcellations on machine learning models applied to rs-fMRI data. Our experiments reveal a remarkable trend: On average, models with stochastic parcellations consistently perform as well as models with widely used atlases at the same spatial scale. We thus propose an ensemble learning strategy to combine the predictions from models trained on connectivity data extracted using different (e.g., stochastic) parcellations. We further present an implementation of our ensemble learning strategy with a novel 3D Convolutional Neural Network (CNN) approach. The proposed CNN approach takes advantage of the full-resolution 3D spatial structure of rs-fMRI data and fits non-linear predictive models. Our ensemble CNN framework overcomes the limitations of traditional machine learning models for connectomes that often rely on region-based summary statistics and/or linear models. We showcase our approach on a classification (autism patients versus healthy controls) and a regression problem (prediction of subject's age), and report promising results.

研究の動機と目的

• 異なる脳パラセレーション方式が機能的コネクトームベースの予測における機械学習性能に与える影響を評価すること。
• 任意のROI定義に敏感なコネクトームモデルの感度を軽減するため、複数のパラセレーションにわたるアンサンブル学習戦略を提案すること。
• rs-fMRIデータのフル解像度3D空間的構造を活用し、非線形パターンを捉える3D-CNNフレームワークを構築すること。
• コネクトームデータを用いた臨床応用、たとえば自閉症分類および年齢回帰の予測精度を向上させること。
• stochastic parcellationsが標準アトラスと同等またはそれ以上の性能を示すことを実証し、堅牢なアンサンブル学習を可能にすること。

提案手法

• Poison Disk Samplingを用いたstochastic parcellationsにより、被験者間で多様な領域（ROI）定義を生成する。
• 各stochastic parcellationに対して、ROI間のピアソン相関を用いて機能的結合行列を算出する。
• 3Dボリューム表現としてのrs-fMRIデータに3D-CNNモデルを訓練し、空間解像度を保持し、局所的パターンを捉える。
• 異なるパラセレーションに基づいて訓練された複数の3D-CNNモデルの予測を統合するアンサンブル戦略により、一般化性能を向上させる。
• ABIDE-IIデータを用い、10,000回のブートストラップサンプルを実施して、モデル間の安定性と性能を評価する。
• 手作業による特徴量や線形モデルに依存せず、3D fMRIボリュームから直接階層的表現を学習する。

実験結果

リサーチクエスチョン

• RQ1 異なる脳パラセレーション方式が機能的コネクトームベースの予測における機械学習モデルの性能に与える影響は何か？
• RQ2 stochastic parcellationsは、コネクトームベースの分類および回帰タスクにおいて、確立されたアトラスと同等の予測性能を達成できるか？
• RQ3 多様なパラセレーションに基づいて訓練されたモデルのアンサンブルは、単一アトラスモデルと比較して、ロバスト性と正確性が向上するか？
• RQ4 フル3D空間的構造を保持する3D-CNNアーキテクチャは、従来の線形モデルやグラフベースのモデルと比較して、どの程度優れた性能を示すか？
• RQ5 提案されたアンサンブル戦略は、SVM、FCN、BrainNet-CNNなどのベースラインモデルと比較して、予測性能および安定性の面で優れているか？

主な発見

• stochastic parcellationsは、同じ空間スケールにおける広く使われているアトラスと同等の性能を一貫して達成しており、モデル学習に於いて信頼性があることが示された。
• SP-Ensembleアプローチは、自閉症対健康対照群分類タスクにおいて、最良の単一アトラスモデルと同等またはわずかに優れた分類精度を達成した。
• 3D-CNNモデルは、年齢回帰タスクにおいてベースラインモデル（例：FCN、SVM）を上回り、特に個々のアトラスモデルにおいて顕著な改善が見られた。
• アンサンブル予測は、モデル間でわずかな差異しか示さず、アンサンブル戦略が異なるパラセレーション方式にわたる性能を安定化させていることが示唆された。
• 10,000回のブートストラップサンプルからのカーネル密度推定では、提案された3D-CNNおよびSP-Ensembleアプローチが、50%未満のサンプルで競合手法に劣ることが示され、強力な一貫性が裏付けられた。
• 相関係数の選択（例：ピアソン）は依然として任意要因であるが、その選択が主な結論に顕著な影響を及ぼさなかった。