[論文レビュー] Fast joint detection-estimation of evoked brain activity in event-related fMRI using a variational approach

Lotfi Chaâri, Thomas Vincent+3 more|arXiv (Cornell University)|Feb 7, 2012

Functional Brain Connectivity Studies参考文献 22被引用数 4

ひとこと要約

本稿では、イベント関連fMRIにおける誘発脳活動の共同検出と推定のための高速な変分期待最大化（VEM）アルゴリズムを提案する。MCMC手法に置き換えることで、計算コストの高い手法を回避する。BOLD応答を、時間的および空間的パラメータにマルコフ的事前分布を適用した領域ベースの双線形生成モデルとしてモデル化することにより、VEM手法は、高い検出精度と計算効率を維持しつつ、ヘモダイナミック応答関数（HRF）の効率的で頑健かつ適応的な推定を可能にする。

ABSTRACT

In standard clinical within-subject analyses of event-related fMRI data, two steps are usually performed separately: detection of brain activity and estimation of the hemodynamic response. Because these two steps are inherently linked, we adopt the so-called region-based Joint Detection-Estimation (JDE) framework that addresses this joint issue using a multivariate inference for detection and estimation. JDE is built by making use of a regional bilinear generative model of the BOLD response and constraining the parameter estimation by physiological priors using temporal and spatial information in a Markovian modeling. In contrast to previous works that use Markov Chain Monte Carlo (MCMC) techniques to approximate the resulting intractable posterior distribution, we recast the JDE into a missing data framework and derive a Variational Expectation-Maximization (VEM) algorithm for its inference. A variational approximation is used to approximate the Markovian model in the unsupervised spatially adaptive JDE inference, which allows fine automatic tuning of spatial regularisation parameters. It follows a new algorithm that exhibits interesting properties compared to the previously used MCMC-based approach. Experiments on artificial and real data show that VEM-JDE is robust to model mis-specification and provides computational gain while maintaining good performance in terms of activation detection and hemodynamic shape recovery.

研究の動機と目的

• イベント関連fMRIにおける逐次的検出と推定の限界、特に統計的パワーの低下とモデル誤指定への感受性を是正すること。
• 活性化された脳領域の同一定位と被験者特異的ヘモダイナミック応答関数（HRF）の推定を同時に実行する共同検出推定（JDE）フレームワークの開発。
• スケーラブルで頑健な推論を可能にするために、計算コストの高いマルコフ連鎖モンテカルロ（MCMC）推論を、より高速な変分期待最大化（VEM）アルゴリズムに置き換えること。
• 空間的および時間的事前分布をマルコフ確率場（MRF）モデルを用いて組み込むことで、HRF推定および局在化の精度を向上させること。
• 教師なし設定下で、変分近似を用いて空間正則化パラメータを自動的にデータ駆動でチューニングすること。

提案手法

• 各領域が複数のボクセルからの信号を集約することで信号対雑音比を向上させる、領域ベースの双線形生成モデルをBOLD応答に導入する。
• 時間的滑らかさと隣接ボクセル間の空間的一致性を保証するため、ヘモダイナミック応答関数（HRF）にマルコフ確率場（MRF）事前分布を適用する。
• JDE問題を欠損データモデルとして再定式化し、近似的ベイズ推論に変分期待最大化（VEM）を適用可能にする。
• 潜在変数（HRF係数および活性化アモニチュードを含む）の事後分布が計算不能であるため、変分近似を用いて簡略化する。
• HRF推定値、活性化アモニチュード、ノイズ分散、およびMRF事前分布の相関パラメータρの閉形式更新式を導出する。
• 相関パラメータρの推定に固定点反復法を用い、事後期待値から導出された再帰的関数F₁、F₂、F₃を用いて評価する。

実験結果

リサーチクエスチョン

• RQ1 変分推論アプローチは、fMRIデータにおいて推定精度を維持しつつ、MCMCベースのJDEを上回る計算速度を達成できるか？
• RQ2 VEM-JDEフレームワークは、実データおよびシミュレートfMRIデータにおいてモデル誤指定に対してどのように対処するか？
• RQ3 MRF事前分布による空間正則化は、HRF推定および活性化検出の頑健性と精度をどの程度向上させるか？
• RQ4 VEMアルゴリズムは、手動キャリブレーションを必要とせずに空間正則化パラメータを自動的にチューニングできるか？
• RQ5 VEM-JDEによる共同検出推定は、微弱または変動する脳応答を検出する際、標準GLMや固定HRFアプローチに比べて優れた性能を示すか？

主な発見

• VEM-JDEアルゴリズムは、MCMCベースのJDEに比べて顕著な計算速度の向上を達成し、イベント関連fMRIデータの迅速な解析を可能にする。
• 本手法は、合成データおよび実fMRIデータの両方において、モデル誤指定に対して頑健であることが示され、高い検出力と正確なHRF回復を維持する。
• 変分近似により、空間正則化パラメータの自動的かつデータ適応的なチューニングが可能となり、手動によるパrameter選択の必要性が排除される。
• VEM-JDEアプローチは、低信号対雑音比の条件下でも、活性化脳領域の検出において高い感度と特異性を維持する。
• シミュレーションでは推定HRF形状が真値に近く、実データでは生理学的に妥当な形状を示し、応答が変動する状況では標準的なHRFモデルを上回る性能を示す。
• ρ推定のための固定点反復スキームは安定して収束し、最終更新式は再帰的関数合成F₁、F₂、F₃から導出される。