[論文レビュー] Speeding up Permutation Testing in Neuroimaging

Chris Hinrichs, Vamsi Krishna Ithapu+3 more|arXiv (Cornell University)|Feb 12, 2015

Statistical Methods in Clinical Trials参考文献 4被引用数 7

ひとこと要約

本稿では、置換行列の低ランク構造を活用することで、神経画像解析における置換検定の高速化を目的とした行列補完ベースの手法を提案する。0.5%のエントリのみをサブサンプリングし、ロバストな行列補完を用いることで、家族単位誤差率（FWER）および臨界閾値の推定において高い正確性を維持しながら50倍の高速化を達成した。

ABSTRACT

Multiple hypothesis testing is a significant problem in nearly all neuroimaging studies. In order to correct for this phenomena, we require a reliable estimate of the Family-Wise Error Rate (FWER). The well known Bonferroni correction method, while simple to implement, is quite conservative, and can substantially under-power a study because it ignores dependencies between test statistics. Permutation testing, on the other hand, is an exact, non-parametric method of estimating the FWER for a given $α$-threshold, but for acceptably low thresholds the computational burden can be prohibitive. In this paper, we show that permutation testing in fact amounts to populating the columns of a very large matrix ${\bf P}$. By analyzing the spectrum of this matrix, under certain conditions, we see that ${\bf P}$ has a low-rank plus a low-variance residual decomposition which makes it suitable for highly sub--sampled --- on the order of $0.5\%$ --- matrix completion methods. Based on this observation, we propose a novel permutation testing methodology which offers a large speedup, without sacrificing the fidelity of the estimated FWER. Our evaluations on four different neuroimaging datasets show that a computational speedup factor of roughly $50 imes$ can be achieved while recovering the FWER distribution up to very high accuracy. Further, we show that the estimated $α$-threshold is also recovered faithfully, and is stable.

研究の動機と目的

• ボクセル単位の仮説検定の数が膨大であるため、神経画像解析における置換検定が計算的に非現実的であるという問題に対処する。
• ボンフェローニ補正のような保守的補正法が、検定統計量間の依存関係を無視するという制限を克服する。
• 高い忠実性と計算コストの低減を実現する、スケーラブルな非パラメトリック手法を用いて、家族単位誤差率（FWER）を推定する。
• 置換検定を用いた神経変性疾患研究において、微弱な治療効果をより速く、より強力に検出可能にする。

提案手法

• 置換検定を、各列がボクセル上の置換された検定統計量マップを表す大きな行列Pの埋め込み問題としてモデル化する。
• 特定の条件下で、行列Pが低ランク＋低分散の残差構造を示すことを同定する。
• 計算量を削減するため、Pから少数のエントリ（最小0.3–0.5%）をサブサンプリングする。
• ロバストな行列補完（例：GRASTA）を用いて、サブサンプリングされたエントリから完全な行列を再構築する。
• 補完された行列から最大統計量の分布を推定し、FWER補正済みの閾値を決定する。
• 異なるデータ特性と信号対雑音比を有する4つの実際の神経画像データセットを用いて、手法の妥当性を検証する。

実験結果

リサーチクエスチョン

• RQ1 神経画像解析における置換検定の計算負荷を、統計的正確性を損なわずに著しく軽減できるか？
• RQ2 置換行列は、最小限のサンプリングで正確な行列補完を可能にする低ランク構造を有するか？
• RQ3 行列補完は、異なる神経画像データセットにおいて、真の帰無分布の最大統計量をどの程度正確に回復できるか？
• RQ4 完全な置換検定と比較して、サブサンプリングされた行列補完を用いた際の推定されたα-閾値の安定性と正確性はどの程度か？
• RQ5 FWER推定の忠実性を維持しつつ、顕著な高速化を達成するのに十分なサンプリングレートは何か？

主な発見

• 提案手法は、4つの神経画像データセット全体で中央値として約50倍の計算高速化を達成し、0.4%のサンプリングレートで45.1×から56.4×の範囲の高速化を実現した。
• 推定されたFWER分布は真の分布と非常に近く、95%信頼区間において最大閾値の平均絶対誤差が0.16未満であった。
• 0.5%のサンプリングレートで、臨界閾値（α = 0.05）を最大0.13の誤差で回復し、高い忠実性と安定性を示した。
• 真の帰無分布の裾の部分に対しても正確性を維持しており、α = 0.995では誤差が0.25未満であったが、非常に高い信頼水準ではわずかなノイズが観察された。
• Kullback-Leibler距離およびBattacharyya距離の観点から、行列補完はナーブなサブサンプリングを上回る性能を示し、真の帰無分布と推定された帰無分布の間の距離が小さかった。
• 構造的MRIおよび機能的画像データを含む多様なデータセットに対して、本手法は安定した性能を示し、神経画像解析分野への広範な適用可能性を示した。