[論文レビュー] Spatio-Temporal Graph Convolution for Functional MRI Analysis.

Soham Gadgil, Qingyu Zhao+4 more|arXiv (Cornell University)|Mar 24, 2020

Functional Brain Connectivity Studies参考文献 21被引用数 11

ひとこと要約

本論文は、空間的脳ネットワークのトポロジーと時間的BOLD信号ダイナミクスを同時に捉えることで、静止状態fMRIにおける動的機能的結合をモデル化するための空間時系列グラフ畳み込みネットワーク（ST-GCN）を提案する。この手法は、rs-fMRIデータからの年齢および性別の予測において優れた精度を達成し、学習されたエッジ重要度を通じて、性別および加齢に顕著な影響を及ぼす脳領域および結合を同定する。

ABSTRACT

The BOLD signal of resting-state fMRI (rs-fMRI) records the functional brain connectivity in a rich dynamic spatio-temporal setting. However, existing methods applied to rs-fMRI often fail to consider both spatial and temporal characteristics of the data. They either neglect the functional dependency between different brain regions in a network or discard the information in the temporal dynamics of brain activity. To overcome those shortcomings, we propose to formulate functional connectivity networks within the context of spatio-temporal graphs. We then train a spatio-temporal graph convolutional network (ST-GCN) on short sub-sequences of the BOLD time series to model the non-stationary nature of functional connectivity. We simultaneously learn the graph edge importance within ST-GCN to enable interpretation of functional connectivities contributing to the prediction model. In analyzing the rs-fMRI of the Human Connectome Project (HCP, N=1,091) and the National Consortium on Alcohol and Neurodevelopment in Adolescence (NCANDA, N=773), ST-GCN is significantly more accurate than common approaches in predicting gender and age based on BOLD signals. The matrix recording edge importance localizes brain regions and functional connections with significant aging and sex effects, which are verified by the neuroscience literature.

研究の動機と目的

• 既存のfMRI解析手法が機能的結合の空間的構造とBOLD信号の時間的ダイナミクスを同時にモデル化できないという限界に対処すること。
• rs-fMRIデータにおける機能的結合の非定常性を捉える深層学習フレームワークの開発すること。
• 学習されたエッジ重要度を用いて、予測モデルに寄与する脳領域および結合の解釈可能な同定を可能にすること。

提案手法

• 脳領域をノード、機能的結合をエッジとして用いて、機能的結合ネットワークを空間時系列グラフとして定式化する。
• BOLD時系列の短い部分列を用いて、空間時系列グラフ畳み込みネットワーク（ST-GCN）を訓練し、動的結合パターンをモデル化する。
• 予測タスクにおける機能的結合の重要度を表すために、ST-GCNアーキテクチャ内でエッジ重みを学習する。
• 脳領域間の空間的情報を統合するためのグラフ畳み込み層を用いながら、時間的変化を保持する。
• BOLD信号を入力として用い、回帰または分類タスク（例：年齢や性別の予測）をエンドツーエンドで最適化する。
• 性能と解釈可能性の評価のため、大規模なrs-fMRIデータセット（HCPおよびNCANDA）にモデルを適用する。

実験結果

リサーチクエスチョン

• RQ1 空間時系列グラフ畳み込みネットワークは、静止状態fMRIデータにおける動的機能的結合を効果的にモデル化できるか？
• RQ2 空間的および時間的脳ネットワーク特徴の共同モデリングは、年齢や性別といった人口統計変数の予測精度をどのように向上させるか？
• RQ3 学習されたエッジ重要度によって明らかにされた、年齢および性別予測に最も寄与する脳領域および機能的結合は何か？
• RQ4 同定された機能的結合は、加齢および性別差に関する既存の神経科学的知見とどの程度整合しているか？

主な発見

• HCPおよびNCANDAデータセットを用いた両方の評価で、ST-GCNは従来の手法を著しく上回る精度で性別および年齢を予測する。
• 学習されたエッジ重要度マトリクスは、加齢および性別差に関連する特定の脳領域および機能的結合を強調する。
• これらの同定された結合は、加齢および性別に関連する構造的および機能的脳変化に関する既存の神経科学文献と整合的である。
• BOLD信号の短い時間的部分列を分析することにより、ST-GCNは機能的結合の非定常性を効果的に捉えている。
• エッジ重みの解釈可能性により、予測に寄与する神経生物学的に関連する機能的ネットワークの直接的な局在化が可能である。