[論文レビュー] Estimating thresholding levels for random fields via Euler characteristics

Robert J. Adler, Kevin Bartz+2 more|arXiv (Cornell University)|Apr 27, 2017

Morphological variations and asymmetry参考文献 37被引用数 15

ひとこと要約

本稿では、空間相関に関する事前知識を必要とせずに、ランダムフィールドにおける信号検出のための(1−α)閾値を推定する新規手法LKC回帰を提案する。一般化最小二乗法を用いて、経験的オイラー乗数をガウス型キネマティック公式にフィットさせることで、複雑な位相的量であるリプシッツ・キリング曲率（LKC）を効率的に推定する。これにより、パラメトリックなオイラー乗数近似を用いて、ガウス型ランダムフィールドにおける正確なp値および閾値が得られる。

ABSTRACT

We introduce Lipschitz-Killing curvature (LKC) regression, a new method to produce $(1-α)$ thresholds for signal detection in random fields that does not require knowledge of the spatial correlation structure. The idea is to fit observed empirical Euler characteristics to the Gaussian kinematic formula via generalized least squares, which quickly and easily provides statistical estimates of the LKCs --- complex topological quantities that can be extremely challenging to compute, both theoretically and numerically. With these estimates, we can then make use of a powerful parametric approximation via Euler characteristics for Gaussian random fields to generate accurate $(1-α)$ thresholds and $p$-values. The main features of our proposed LKC regression method are easy implementation, conceptual simplicity, and facilitated diagnostics, which we demonstrate in a variety of simulations and applications.

研究の動機と目的

• 空間相関構造の明示的知識を必要とせずに、ランダムフィールドにおける(1−α)閾値を推定する手法を開発すること。
• 回帰フレームワークを用いて、経験データからリプシッツ・キリング曲率（LKC）を推定すること。
• オイラー乗数を介した位相的性質の活用により、fMRIスキャンなどの高次元空間データにおける正確な有意検定を可能にすること。
• 従来のランダムフィールド理論における閾値設定手法の代替として、計算的に効率的で、概念的に単純かつ診断的可視性を有する手法を提供すること。

提案手法

• 観測された経験的オイラー乗数をガウス型キネマティック公式にフィットさせる一般化最小二乗法を用いたLKC回帰の提案。
• ガウス型キネマティック公式を用いて、領域の超過集合の期待オイラー乗数をリプシッツ・キリング曲率（Lj(S)）および関数的量ρFj(u)に結びつける。
• 解析的または数値的計算による複雑な曲率積分を回避するため、データから非パラメトリックにLKCを推定する。
• パラメトリックなオイラー乗数近似を適用して、ガウス型ランダムフィールドにおける正確な(1−α)閾値およびp値を生成する。
• 設計点とモンテカルロシミュレーションを用いて、回帰および閾値推定プロセスの妥当性を検証する。
• ガウス分布やカイ二乗分布などの代表的な分布に対して既知の解析的表現ρFj(u)を活用し、計算を簡素化する。

実験結果

リサーチクエスチョン

• RQ1 空間的共分散構造の事前知識がなくても、経験的データからリプシッツ・キリング曲率を信頼性高く推定できるか？
• RQ2 オイラー乗数に基づく回帰によって、ランダムフィールドにおける信号検出のための正確な(1−α)閾値を生成できるか？
• RQ3 LKC回帰は、従来手法と比較して、正確性、計算効率、診断能力の観点で優れているか？
• RQ4 この手法は、高次元かつ相関のあるボクセルデータを有するfMRIデータ解析などの実世界問題に効果的に適用できるか？
• RQ5 異なる実験条件下での脳活性化の有意差検出において、この手法の性能はいかがなものか？

主な発見

• LKC回帰は、一般化最小二乗法を用いて経験的オイラー乗数からリプシッツ・キリング曲率を推定し、複雑な曲率積分の解析的または数値的計算を回避する。
• 本手法により、空間相関に関する事前知識がなくても、パラメトリックなオイラー乗数近似を用いてガウス型ランダムフィールドにおける正確な(1−α)閾値を推定可能である。
• シミュレーションおよびfMRI応用において、本手法は信頼性の高いp値および閾値を生成し、既存手法と同等またはそれ以上の性能を示した。
• 本手法は計算的に効率的で、概念的に単純であり、残差解析および設計点評価による組み込み診断機能を有する。
• 分析したfMRIデータセットにおいて、本手法は同じ話者および異なる話者条件間の脳活性化差を高い感度と特異度で検出できた。
• 本手法はモデルの誤指定に対しても頑健であり、数千個の相関のあるボクセルを含む高次元設定でも良好に機能した。