[논문 리뷰] Angle Basis: a Generative Model and Decomposition for Functional Connectivity

Anton Orlichenko, Gang Qu외 3명|arXiv (Cornell University)|2023. 05. 17.

Functional Brain Connectivity StudiesNeuroscience인용 수 3

한 줄 요약

이 논문은 fMRI에서 기능적 연결성(FC)을 정현파 기저 상태와 지연 성분의 조합으로 표현하는 새로운 생성 모델이자 분해 방법인 Angle Basis를 소개한다. 이 모델은 오직 5~10개의 기저 상태만으로도 원래의 FC와 유사한 예측 성능를 달성하며, 재구성과 잔차 성분이 모두 예측에 동일한 기여를 한다. 앙상블화 시, FC의 AUC를 최대 5% 초월하며, 잔차 성분은 거의 완벽한 피험자 지문 식별(97.3% 정확도)을 가능하게 한다.

ABSTRACT

Functional connectivity (FC) is one of the most common inputs to fMRI-based predictive models, due to a combination of its simplicity and robustness. However, there may be a lack of theoretical models for the generation of FC. In this work, we present a straightforward decomposition of FC into a set of basis states of sine waves with an additional jitter component. We show that the decomposition matches the predictive ability of FC after including 5-10 bases. We also find that both the decomposition and its residual have approximately equal predictive value, and when combined into an ensemble, exceed the AUC of FC-based prediction by up to 5%. Additionally, we find the residual can be used for subject fingerprinting, with 97.3% same-subject, different-scan identifiability, compared to 62.5% for FC. Unlike PCA or Factor Analysis methods, our method does not require knowledge of a population to perform its decomposition; a single subject is enough. Our decomposition of FC into two equally-predictive components may lead to a novel appreciation of group differences in patient populations. Additionally, we generate synthetic patient FC based on user-specified characteristics such as age, sex, and disease diagnosis. By creating synthetic datasets or augmentations we may reduce the high financial burden associated with fMRI data acquisition.

연구 동기 및 목표

• 모집단 수준 통계 자료가 필요 없이 이론적으로 타당하고 단일 피험자에 적합한 기능적 연결성(FC) 분해 방법을 개발한다.
• FC가 예측 능력을 유지하면서도 해석 가능한 생성 성분으로 분해될 수 있는지 조사한다.
• 분해의 재구성 및 잔차 성분의 예측 유용성을 평가한다.
• 연령, 성별, 진단 등의 형질 특성 기반으로 합성 FC를 생성하여 fMRI 데이터 수집 비용을 줄이기 위한 방법을 제공한다.
• 잔차 성분이 고정밀도의 피험자 식별(지문 식별)에 어떻게 활용될 수 있는지 탐색한다.

제안 방법

• 이 방법은 BOLD 신호를 위상과 진폭이 다른 정현파의 합으로 모델링하여, 기능적 연결성을 푸리에 유사 분해 방식으로 표현한다.
• 각 영역(ROI)은 위상과 진폭을 할당받으며, 이들이 기저 상태 집합을 형성하고 원본 FC 행렬을 재구성한다.
• 각 ROI에 지연 성분을 추가하여 위상 변동성을 반영함으로써 재구성 정확도를 향상시킨다.
• 재구성 오차를 최소화하기 위해 최소 제곱 최적화를 통해 분해를 최적화한다.
• 원본 FC와 재구성된 FC의 차이인 잔차 성분을 유지하고, 이를 보완적인 예측 특성으로 사용한다.
• 학습된 모델을 이용해 형질 특성(예: 연령, 성별, 진단)을 지정함으로써 합성 FC를 생성하며, 기저 파rameter를 예측하고 FC를 재구성한다.

Figure 1: Example of the angle basis reconstruction of one representative subject from the PNC dataset. The prominent block corresponds to the default mode network (DMN). The scan is probably of a female, due to the high within-DMN connectivity [ 11 ] . Here only one basis is used.

실험 결과

연구 질문

• RQ1 단일 피험자 데이터만으로 기능적 연결성을 해석 가능한 생성 기저 상태 집합으로 효과적으로 분해할 수 있는가?
• RQ2 재구성된 FC와 그 잔차 성분이 연령, 성별, 인종, 정신분열증 진단과 같은 형질 특성에 대해 각각 유의미한 예측 능력을 유지하는가?
• RQ3 재구성 및 잔차 성분의 앙상블이 기존의 FC 기반 예측 모델을 초월하는가?
• RQ4 동일 개인의 다양한 스캔에서 잔차 성분이 피험자 식별에 매우 높은 분류 능력을 가지는가?
• RQ5 형질 기반의 합성 FC를 신뢰성 있게 생성하여 실제 fMRI 데이터 수집 의존도를 줄일 수 있는가?

주요 결과

• 오직 5~10개의 각도 기저 성분만으로도 재구성 성분이 연령, 성별, 인종, 정신분열증 진단 예측에서 원본 FC와 유사한 예측 성능를 달성한다.
• 잔차 성분 자체만으로도 재구성 성분과 유사한 예측 정확도를 달성하며, PNC 데이터셋에서 성별 예측 AUC는 0.744 ± 0.065, 인종 예측 AUC는 0.812 ± 0.040를 기록한다.
• 재구성 및 잔차 성분의 앙상블은 여러 예측 과제에서 원본 FC의 AUC를 최대 5% 초월한다.
• 잔차 성분은 매우 정확한 피험자 지문 식별을 가능하게 하여, 동일 피험자 다른 스캔 식별 정확도가 97.3%에 달하며, 이는 FC의 62.5%에 비해 높은 성능이다.
• 형질 특성을 반영한 합성 FC 생성이 가능하며, 예를 들어 합성 여성에서는 DMN 내부 연결성이 강화되고, 합성 남성에서는 더 평탄한 프로파일을 보인다.
• 이 방법은 계산적으로 효율적이며, 중급 GPU에서 피험자당 몇 초 내로 처리 가능하며, 분해 과정에 모집단 수준 데이터가 필요하지 않다.

Figure 2: Identification of subjects from different scans in the PNC dataset. Histograms show the number of scan pairs at a particular cosine similarity value. Most subjects in the PNC dataset contain 3 scans with different in-scanner tasks. A total of 3849 scans were used.