[논문 리뷰] A Convolutional Autoencoder for Multi-Subject fMRI Data Aggregation

Po-Hsuan Chen, Xia Zhu외 6명|arXiv (Cornell University)|2016. 08. 17.

Functional Brain Connectivity Studies참고 문헌 13인용 수 22

한 줄 요약

이 논문은 다중 주제 fMRI 데이터 집계를 위해 다중 시야 컨볼루션 오토에인코더(CAE)를 제안하며, 검색광역 분석과 공유 응답 모델링을 결합하여 공간 국소성을 유지한다. 기존의 요인 모델과 달리 CAE는 컨볼루션 필터를 통해 국소 공간적 구조를 유지하며, 자극에 대한 신경 반응을 분류하는 데 있어 표준 검색광역 분석 및 공유 응답 모델(SRM) 방법보다 경쟁적 또는 우수한 성능을 달성한다.

ABSTRACT

Finding the most effective way to aggregate multi-subject fMRI data is a long-standing and challenging problem. It is of increasing interest in contemporary fMRI studies of human cognition due to the scarcity of data per subject and the variability of brain anatomy and functional response across subjects. Recent work on latent factor models shows promising results in this task but this approach does not preserve spatial locality in the brain. We examine two ways to combine the ideas of a factor model and a searchlight based analysis to aggregate multi-subject fMRI data while preserving spatial locality. We first do this directly by combining a recent factor method known as a shared response model with searchlight analysis. Then we design a multi-view convolutional autoencoder for the same task. Both approaches preserve spatial locality and have competitive or better performance compared with standard searchlight analysis and the shared response model applied across the whole brain. We also report a system design to handle the computational challenge of training the convolutional autoencoder.

연구 동기 및 목표

• 다중 주제 fMRI 데이터를 집계하면서 기능적 해석 가능성 향상을 위해 공간 국소성을 유지하는 데 도전 과제를 해결하기 위해.
• SRM와 같은 요인 모델의 한계를 극복하기 위해, 병렬으로 볼륨을 통합함으로써 공간 해상도를 잃는 문제를 해결하기 위해.
• 검색광역 기반 국소 분석과 다중 시야 컨볼루션 오토에인코더를 통한 딥 러닝 통합을 위해.
• 대규모 fMRI 데이터셋에서 CAE를 훈련하기 위한 확장 가능한 시스템 설계를 개발하기 위해.
• 실제 fMRI 데이터셋에서 CAE를 표준 검색광역 분석 및 SRM 방법과 비교 평가하기 위해.

제안 방법

• 다중 주제의 fMRI 데이터를 공유된 공간 국소 컨볼루션 필터를 사용하여 처리하는 다중 시야 컨볼루션 오토에인코더(CAE)를 제안한다.
• 주제별로 별도의 인코딩 표현을 평균하여 공유 특징 맵 S를 계산함으로써, 다중 주체 간 변동성을 공동으로 모델링할 수 있도록 한다.
• 원본 및 재구성된 fMRI 데이터 간의 차이를 최소화하기 위해 L2 재구성 손실를 적용하며, 공유 특징 맵에 대해 KL 발산을 통한 희박성 정규화를 실시한다.
• ReLU 및 tanh 활성화 함수와 드롭아웃을 사용하여 정규화를 수행하며, 초모수는 교차 검증을 통해 튜닝한다.
• 각 볼륨 주변의 국소 수용장에 맞게 완전 연결층을 컨볼루션층으로 대체함으로써 공간 국소성을 통합한다.
• 전체 뇌 fMRI 데이터에서 CAE를 훈련하는 데 발생하는 계산 복잡성을 처리하기 위해 분산 훈련 시스템을 설계한다.

실험 결과

연구 질문

• RQ1 컨볼루션 오토에인코더는 다중 주제 fMRI 데이터 집계에서 공간 국소성을 유지하면서도 분류 성능을 유지하거나 향상시킬 수 있는가?
• RQ2 제안된 CAE는 표준 검색광역 분석 및 공유 응답 모델(SRM)과 비교해 자극에 대한 신경 반응 분류 성능에서 어떻게 다른가?
• RQ3 필터 수, 희박성, 정규화 강도와 같은 초모수는 fMRI 데이터에서 CAE의 성능에 얼마나 큰 영향을 미치는가?
• RQ4 공간 해상도를 손상시키지 않고도 CAE가 주제 간 공유 기능 표현을 효과적으로 학습할 수 있는가?
• RQ5 검색광역 기반 국소 분석과 딥 오토에인코더를 통합하면, 전반적인 요인 모델보다 뇌 기능의 해석 가능성에서 더 나은 성능을 내는가?

주요 결과

• 다중 시야 컨볼루션 오토에인코더(CAE)는 청각 자극의 시간 세그먼트 분류에서 표준 검색광역 분석 및 공유 응답 모델(SRM)과 비교해 경쟁적 또는 더 우수한 성능을 달성한다.
• 두 데이터셋에서 9-TR 시간 세그먼트 분류 작업에서 CAE는 SRM를 초월하며, 일부 조건에서 정확도 향상이 최대 0.005–0.015에 이르렀다.
• 첫 번째 컨볼루션 레이어의 필터 수(k1)는 성능에 강한 영향을 미치며, k1 = 20일 때 최적의 정확도가 관찰되었다.
• 모델은 희박성 초모수(ρ) 및 정규화 강도(λ)의 변동에 대해 상대적으로 강인하며, 다양한 값 범위에서 성능이 안정되었다.
• 국소 컨볼루션 필터를 사용함으로써 CAE는 공간 국소성을 유지하여, 전반적인 요인 모델보다 국소화된 뇌 기능에 대한 더 해석 가능한 추론을 가능하게 한다.
• 시스템 설계는 전체 뇌 fMRI 데이터에서 훈련하는 데 발생하는 계산적 요구사항을 성공적으로 처리하였으며, 대규모 데이터셋에 대한 확장 가능한 응용을 가능하게 하였다.