[논문 리뷰] Brain Age Prediction Based on Resting-State Functional Connectivity Patterns Using Convolutional Neural Networks

Hongming Li, Theodore D. Satterthwaite외 1명|arXiv (Cornell University)|2018. 01. 11.

Functional Brain Connectivity Studies참고 문헌 13인용 수 16

한 줄 요약

이 연구는 전체 뇌의 볼륨 단위에서의 휴식 상태 기능적 연결성(rsfMRI) 패턴에서 뇌 연령을 예측하기 위해 3D 합성곱 신경망(CNNs)을 사용하는 딥러닝 접근법을 제안한다. 더러운 영역 또는 네트워크 수준의 측정치가 아닌 세밀한 기능적 연결성 데이터를 활용함으로써, 모델은 향상된 예측 정확도를 달성하였으며, 고해상도 FC 패턴이 뇌 노화의 가치 있는 신경영상 생물학적 지표를 담고 있음을 보여주었다.

ABSTRACT

Brain age prediction based on neuroimaging data could help characterize both the typical brain development and neuropsychiatric disorders. Pattern recognition models built upon functional connectivity (FC) measures derived from resting state fMRI (rsfMRI) data have been successfully used to predict the brain age. However, most existing studies focus on coarse-grained FC measures between brain regions or intrinsic connectivity networks (ICNs), which may sacrifice fine-grained FC information of the rsfMRI data. Whole brain voxel-wise FC measures could provide fine-grained FC information of the brain and may improve the prediction performance. In this study, we develop a deep learning method to use convolutional neural networks (CNNs) to learn informative features from the fine-grained whole brain FC measures for the brain age prediction. Experimental results on a large dataset of resting-state fMRI demonstrate that the deep learning model with fine-grained FC measures could better predict the brain age.

연구 동기 및 목표

• 휴식 상태 fMRI에서 유도된 세밀한 전체 뇌 기능적 연결성 패턴을 활용하여 뇌 연령 예측을 향상시키기 위해.
• 세부적인 공간 정보를 손실할 수 있는 더러운 기능적 연결성 측정치의 한계를 극복하기 위해.
• 볼륨 단위 기능적 연결성 행렬에서 계층적 특징을 학습할 수 있는 딥러닝 프레임워크를 개발하기 위해.
• 기존의 영역 중심 또는 내재적 연결망 기반 접근법과 비교할 때 세밀한 연결성 데이터가 예측 성능을 향상시키는지 평가하기 위해.
• 수동적인 특징 공학 없이 원시 rsfMRI 데이터에서부터 데이터 기반의 종단 간(end-to-end) 뇌 연령 추정 방법을 수립하기 위해.

제안 방법

• 이 방법은 휴식 상태 fMRI 데이터에서 유도된 전체 뇌 볼륨 단위 기능적 연결성 행렬을 처리하기 위해 3D 합성곱 신경망(CNNs)을 사용한다.
• 기능적 연결성은 뇌 전체의 모든 볼륨 쌍 간의 BOLD 시간 시리즈 간 피어슨 상관계수로 계산되며, N×N×N 크기의 3차원 행렬을 형성한다. 여기서 N은 뇌 볼륨의 수이다.
• 3D CNN은 다중 합성곱 및 풀링 레이어를 통해 공간적 계층적 기능적 연결성 패턴을 학습하여 국소적 및 전반적인 연결성 구조를 포착한다.
• 기능적 연결성 행렬에서 뇌 연령을 회귀하기 위해 평균 제곱오차 손실을 사용하여 네트워크를 종단 간(end-to-end)으로 훈련시킨다.
• 과적합을 줄이고 대규모 데이터셋에서의 일반화 능력을 향상시키기 위해 데이터 증강과 드롭아웃을 적용한다.
• 대규모 휴식 상태 fMRI 데이터셋에서 10겹 교차검증을 통해 성능을 정량적으로 평가하여 견고한 성능 추정을 확보한다.

실험 결과

연구 질문

• RQ1 더러운 기능적 연결성 측정치와 비교할 때 전체 뇌 볼륨 단위 기능적 연결성 패턴이 뇌 연령 예측에 향상된 성능을 보일 수 있는가?
• RQ2 딥러닝 기반 3D CNN 아키텍처가 고차원 기능적 연결성 행렬에서 연령 회귀를 위한 유의미한 특징을 효과적으로 학습할 수 있는가?
• RQ3 기존의 영역 또는 네트워크 수준의 연결성 특징을 사용하는 기계학습 모델과 비교할 때 제안된 방법의 성능은 어떠한가?
• RQ4 세밀한 기능적 연결성 정보의 포함이 예측 정확도 및 모델의 견고성에 얼마나 기여하는가?
• RQ5 제안된 종단 간 딥러닝 프레임워크가 수동 특징 기반 접근법보다 뇌 연령 추정에서 슈퍼리어한 성능을 보일 수 있는가?

주요 결과

• 제안된 3D CNN 모델은 더러운 기능적 연결성 측정치를 사용하는 기준 모델 대비 더 낮은 평균 절대 오차(MAE)를 기록하여 뇌 연령 예측 성능을 향상시켰다.
• 종단 간 훈련 및 데이터 증강을 통해 다양한 피험자 집단에서도 향상된 일반화 능력과 견고성을 보였다.
• 세밀한 전체 뇌 기능적 연결성 패턴이 집합된 영역 또는 네트워크 수준의 측정치보다 더 유의미한 뇌 노화 생물학적 지표를 담고 있음이 확인되었다.
• 3D CNN은 전통적인 특징 공학 방법으로는 쉽게 추출하기 어려운 기능적 연결성의 복잡한 공간 패턴을 효과적으로 포착하였다.
• 원시 연결성 행렬에 대한 딥러닝의 우수성을 검증하였으며, 이는 신경영상 응용 분야에서 기존의 파이프라인 기반 방법보다도 우수한 성능을 낼 수 있음을 시사한다.
• 이 방법은 대규모 휴식 상태 fMRI 데이터셋에 성공적으로 적용 및 검증되었으며, 확장성과 성능을 확인하였다.