[論文レビュー] Fast shared response model for fMRI data

Hugo Richard, Lucas Martin+3 more|arXiv (Cornell University)|Sep 27, 2019

Functional Brain Connectivity Studies参考文献 39被引用数 5

ひとこと要約

本論文では、アトラスベースの圧縮を活用することで、fMRIデータの共有応答モデル（SRM）解析における計算速度を向上させるとともにメモリ使用量を削減するスケーラブルなアルゴリズム、FastSRMを紹介する。FastSRMは、元のSRMと比較して計算が5倍速くなり、メモリ使用量が20–40倍も低減される一方で、同等の性能を維持しており、標準的なハードウェア上での大規模fMRI解析を可能にするとともに、映画鑑賞fMRIデータから年齢予測（MAE = 7.5年）を正確に行うことを示している。

ABSTRACT

The shared response model provides a simple but effective framework to analyse fMRI data of subjects exposed to naturalistic stimuli. However when the number of subjects or runs is large, fitting the model requires a large amount of memory and computational power, which limits its use in practice. In this work, we introduce the FastSRM algorithm that relies on an intermediate atlas-based representation. It provides considerable speed-up in time and memory usage, hence it allows easy and fast large-scale analysis of naturalistic-stimulus fMRI data. Using four different datasets, we show that our method matches the performance of the original SRM algorithm while being about 5x faster and 20x to 40x more memory efficient. Based on this contribution, we use FastSRM to predict age from movie watching data on the CamCAN sample. Besides delivering accurate predictions (mean absolute error of 7.5 years), FastSRM extracts topographic patterns that are predictive of age, demonstrating that brain activity during free perception reflects age.

研究の動機と目的

• 大規模fMRIデータセット（多数の被験者と走行回数を含む）に対して共有応答モデル（SRM）を適合させる際の高い計算およびメモリ要件を軽減すること。
• ラップトップなどの標準的なハードウェアを用いて、自然刺激fMRIデータの効率的で大規模な解析を可能にすること。
• 計算およびメモリ使用量を削減しても、fMRI信号の再構成性能および個々の特徴の予測性能を高い水準で維持すること。
• FastSRMが、自然刺激fMRIデータから生物学的に意味のある年齢予測可能な脳活動パターンを抽出できる実用性を示すこと。

提案手法

• FastSRMは、事前に用意されたアトラス（例：MODL、Basc、Shaeffer）を用いて、全脳fMRIデータを次元削減された表現に圧縮し、その後SRMの適合を実行する。
• SRMフレームワークをアトラス表現されたデータに適用することで、反復毎に更新すべき空間的成分の数を削減する。
• 空間的成分に正規直交制約を適用することで、共有応答の解釈可能性および安定性を確保する。
• 各反復で全脳空間的成分の更新を回避することで、メモリおよび計算の効率性を向上させる。
• アルゴリズムはBrainIAKライブラリの拡張として実装されており、GitHubで無料で利用可能である。
• 確率的および決定的アトラスの両方をサポートしており、複数のデータセットおよびアトラスタイプで性能を評価している。

実験結果

リサーチクエスチョン

• RQ1 数百名の被験者と複数回の走行を含む大規模fMRIデータセットに対して、計算コストやメモリ使用量が著しく増大することなく、共有応答モデルをスケーリングできるか？
• RQ2 アトラスベースの圧縮戦略を用いることで、計算要件を著しく削減しつつ、共有応答モデルの精度を保持できるか？
• RQ3 FastSRMは、被験者の年齢に関連するような、自然刺激fMRIデータから意味のある予測可能な脳活動パターンを抽出できるか？
• RQ4 既存のSRM実装（例：DetSRMやProbSRM）と比較して、FastSRMの性能および効率性はどのように異なるか？

主な発見

• FastSRMは、使用するアトラスに応じて、ProbSRMおよびDetSRMと比較して、計算速度が5倍速く、メモリ使用量が20–40倍も低減される。
• 本手法は高い信号再構成精度を維持しており、SHERLOCK、RAIDERS、CLIPS、FORRESTの4つのデータセットにおいて、voxelごとのR²スコアがProbSRMおよびDetSRMと同等である。
• FastSRMを用いることで、標準的なラップトップでもCamCANデータセット（647名の被験者）に対して完全な共有応答モデリングが可能となり、元のSRMではメモリ制約のため不可能であった。
• FastSRMを用いて、映画鑑賞fMRIデータから年齢を予測したところ、平均絶対誤差（MAE）は7.5年であった。これは、モデルの予測力の高さを示している。
• FastSRMが抽出したトポグラフィー的パターン、例えば年齢とともに背側経路での活動が低下する傾向は、生物学的に解釈可能であり、個々の被験者の年齢予測に有効である。
• アトラスの選択が性能に与える影響はわずかであり、異なるパラセレーションスキームに対して高いロバストネスを示している。