[論文レビュー] Evaluating Graph Signal Processing for Neuroimaging Through Classification and Dimensionality Reduction

Mathilde Ménoret, Nicolas Farrugia+2 more|arXiv (Cornell University)|Mar 6, 2017

Functional Brain Connectivity Studies参考文献 13被引用数 6

ひとこと要約

本稿では、解剖的幾何構造と機能的結合性に基づいてグラフを構築することで、fMRIデータ解析におけるグラフ信号処理（GSP）の有効性を評価している。幾何学的および機能的結合性を組み合わせた半局所的グラフにおけるグラフサンプリングにより、PCA、ICA、ANOVAに比べ顕著に高い分類精度が得られ、特に困難な分類タスクにおいて顕著であった。

ABSTRACT

Graph Signal Processing (GSP) is a promising framework to analyze multi-dimensional neuroimaging datasets, while taking into account both the spatial and functional dependencies between brain signals. In the present work, we apply dimensionality reduction techniques based on graph representations of the brain to decode brain activity from real and simulated fMRI datasets. We introduce seven graphs obtained from a) geometric structure and/or b) functional connectivity between brain areas at rest, and compare them when performing dimension reduction for classification. We show that mixed graphs using both a) and b) offer the best performance. We also show that graph sampling methods perform better than classical dimension reduction including Principal Component Analysis (PCA) and Independent Component Analysis (ICA).

研究の動機と目的

• グラフ信号処理（GSP）が神経画像データにおける分類および次元削減を向上させるかどうかを評価すること。
• 解剖的幾何構造、機能的結合性、あるいは両者に基づく異なるグラフ構築法が分類性能に与える影響を調査すること。
• GSPに基づく次元削減（グラフサンプリングおよびK番目の選択）を、PCA や ICA といった標準的手法と比較すること。
• 脳活動分類において、低周波数成分か高周波数成分のどちらがより特徴的であるかを特定すること。
• fMRI信号から脳状態を復元するための最適なグラフタイプおよび次元削減手法を同定すること。

提案手法

• 安静状態fMRIデータからの解剖的幾何構造と機能的結合性を組み合わせた7種類の異なるグラフを構築した。
• グラフラプラシアン固有ベクトルに基づいて、fMRI信号をスペクトル成分に分解するためのグラフフーリエ変換（GFT）を適用した。
• 選択された周波数帯域におけるエネルギーが最も高い頂点を選択するグラフサンプリング、および統計的手法による上位K成分の選択により次元削減を実施した。
• 分類精度を評価指標として用い、GSPベースの次元削減をPCA、ICA、ANOVAと比較した。
• 容易および困難な分類タスクの両方を想定し、模擬fMRIデータとオープンソースのHaxbyデータセットを用いて評価を実施した。
• 異なる周波数帯域（低周波数および高周波数）における性能を評価し、特徴的な情報を保持するスペクトル成分を特定した。

実験結果

リサーチクエスチョン

• RQ1 幾何構造、機能的結合性、あるいは両者に基づく異なるグラフ構築法が、fMRIデータにおける分類精度にどのように影響を与えるか。
• RQ2 神経画像分類タスクにおける次元削減において、グラフサンプリングはPCA や ICA より優れているか。
• RQ3 グラフフーリエ変換の低周波数成分と高周波数成分のどちらが、脳状態の区別により情報量が多いか。
• RQ4 解剖的および機能的結合性を組み合わせたグラフ構築は、単独で用いる場合よりも高い分類性能をもたらすか。
• RQ5 GSPベースの手法は、ANOVAのような従来の多変量解析手法を上回る性能を示すか。

主な発見

• 解剖的幾何構造と機能的結合性を組み合わせた半局所的グラフが、模擬データの困難なグループで最高の分類精度（90.9％）を達成した。
• 半局所的グラフにおけるグラフサンプリングは、困難な分類グループにおいて、PCA（p < 0.001）、ICA（p < 0.001）、ANOVA（p < 0.001）を顕著に上回った。
• Haxbyデータセットでは、グラフサンプリングが最も優れた分類結果（Face-House：88.2％、Cat-Face：69.0％）を示したが、差は有意ではなかった。
• ほとんどのグラフタイプにおいて、高周波数成分が低周波数成分よりも特徴的であったが、Kalofoliasグラフでは固有の滑らかさ制約のため低周波数成分が支配的であった。
• 半局所的グラフにおけるグラフサンプリングを用いた場合、困難なグループでは30個の成分が最適であり、容易なグループでは50個の成分が最適であった。
• 半局所的グラフの優れた性能は、空間的および機能的脳ネットワーク構造を統合することで、分類に適した信号表現が向上することを示唆している。