[論文レビュー] Recurrent Neural Networks for Spatiotemporal Dynamics of Intrinsic Networks from fMRI Data

Devon Hjelm, Sergey Plis+1 more|arXiv (Cornell University)|Nov 3, 2016

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

ひとこと要約

本稿では、fMRIデータから内在的脳ネットワークの時間的ダイナミクスと被験者固有の空間的変動を捉えるために、再帰的ニューラルネットワークと独立成分分析を統合した新しいRNN-ICAモデルを提案する。勾配降下法による学習により、ICAが時系列データを処理する際の限界を克服し、動的空間マップと時間的パターンの共同学習を可能にする。

ABSTRACT

Functional magnetic resonance imaging (fMRI) of temporally-coherent blood oxygenization level-dependent (BOLD) signal provides an effective means of analyzing functionally coherent patterns in the brain. Intrinsic networks and functional connectivity are important outcomes of fMRI studies and are central to understanding brain function and making diagnoses. The most popular method for separating INs, independent component analysis, begins with the assumption that the data is a mixture of maximally independent sources. ICA is trainable through one of many relatively simple optimization routines that maximize non-Gaussianity or minimize mutual information. Although fMRI data is a time series, ICA, as with other popular linear methods for separating INs, is order-agnostic in time: each multivariate signal at each time step is treated as i.i.d.. ICA in its common use in the field employs the same parameterization across subjects, which allows for either temporal or spatial variability, but not both. In order to overcome shortcomings of temporal ICA in lack of dynamics and subject-wise/temporal variability of spatial maps, but without abandoning the fundamental strengths of ICA, we combine recurrent neural networks (RNNs) with an ICA objective. The resulting model naturally represents temporal and spatial dynamics---having subject-wise and temporally variable spatial maps---and is easily trainable using gradient descent and back-propagation.

研究の動機と目的

• 従来のICAが時間系列をi.i.d.とみなして時間的ダイナミクスを無視するというfMRI解析における限界に対処する。
• 標準ICAが同時に被験者固有の空間マップと時間変動する空間マップをモデル化できないという問題を克服する。
• 統計的独立性や解釈可能性といったICAの長所を維持しながら、動的モデリングの能力を強化する。
• 勾配降下法を用いて空間マップと時間的ダイナミクスを共同最適化する、トレーニング可能でエンドツーエンドのフレームワークを開発する。

提案手法

• 再帰的ニューラルネットワーク（RNN）とICA目的関数を組み合わせ、時間順序のfMRIデータをモデル化しつつ、成分の統計的独立性を保持する。
• RNNを用いて、時間点ごとのBOLD信号における時間的依存性を符号化することで、時間変動する空間マップを学習する。
• バックプロパゲーションスルータイムと確率的勾配降下法を用いてモデルを学習し、ICA目的関数（例えば非ガウス性の最大化や相互情報量の最小化）を最適化する。
• 被験者固有のパラメータ化された空間マップを許容しながらも、被験者間で共通の時間的ダイナミクスを維持する。
• ICAの原則とRNNベースの時間的モデリングを組み合わせた微分可能関数として目的関数を定式化する。
• モデルがエンドツーエンドでトレーニング可能であり、従来のICAで一般的な別々の固定前処理ステップの必要性を回避する。

実験結果

リサーチクエスチョン

• RQ1 RNNベースのモデルは、ICAの統計的独立性の原則を保持しつつ、fMRIデータから内在的脳ネットワークの動的空間マップを効果的に捉えることができるか？
• RQ2 提案されたRNN-ICAモデルは、標準ICAと比較して時間的ダイナミクスと被験者固有の変動をどのようにモデル化するか？
• RQ3 RNN-ICAモデルの勾配ベースの学習は、静的ICAと比較して、空間時間的脳ネットワークダイナミクスの表現をどの程度改善するか？
• RQ4 RNNとICAの統合により、解釈性を損なわず、時間変動する空間マップと時間パターンの共同学習が可能になるか？

主な発見

• RNN-ICAモデルは、被験者固有の動的機能的組織を反映する時間変動する空間マップを効果的に捉えている。
• 時間的ダイナミクスの表現において、モデルはその内在的な逐次的モデリング能力のおかげで標準ICAを上回っている。
• 勾配降下法による学習により、空間的および時間的成分のエンドツーエンド最適化が可能となり、固定で順序に依存しないICAの限界を回避している。
• モデルはICAの解釈可能性を維持しながら、動的かつ被験者固有の脳ネットワーク解析への適用範囲を拡張している。