[논문 리뷰] Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis

Qiankun Zuo, Tian, Hao외 4명|arXiv (Cornell University)|2023. 05. 18.

Functional Brain Connectivity Studies인용 수 4

한 줄 요약

이 논문은 경도 인지 장애(MCI) 분석을 위한 4D fMRI에서 뇌 효과적 연결성(BEC)을 생성하기 위해 적대적 기능 확산을 통합한 다중 해상도 시공간 강화 트랜스포머 노이즈 제거(MSETD) 네트워크를 제안한다. 조건부 확산 과정과 다중 척도 트랜스포머 생성기 및 구분기의 활용으로 모델은 뛰어난 BEC 예측 성능를 달성하며 임상적으로 일관된 MCI 관련 인과 연결성을 규명한다.

ABSTRACT

Effective connectivity can describe the causal patterns among brain regions. These patterns have the potential to reveal the pathological mechanism and promote early diagnosis and effective drug development for cognitive disease. However, the current methods utilize software toolkits to extract empirical features from brain imaging to estimate effective connectivity. These methods heavily rely on manual parameter settings and may result in large errors during effective connectivity estimation. In this paper, a novel brain imaging-to-graph generation (BIGG) framework is proposed to map functional magnetic resonance imaging (fMRI) into effective connectivity for mild cognitive impairment (MCI) analysis. To be specific, the proposed BIGG framework is based on the diffusion denoising probabilistic models (DDPM), where each denoising step is modeled as a generative adversarial network (GAN) to progressively translate the noise and conditional fMRI to effective connectivity. The hierarchical transformers in the generator are designed to estimate the noise at multiple scales. Each scale concentrates on both spatial and temporal information between brain regions, enabling good quality in noise removal and better inference of causal relations. Meanwhile, the transformer-based discriminator constrains the generator to further capture global and local patterns for improving high-quality and diversity generation. By introducing the diffusive factor, the denoising inference with a large sampling step size is more efficient and can maintain high-quality results for effective connectivity generation. Evaluations of the ADNI dataset demonstrate the feasibility and efficacy of the proposed model. The proposed model not only achieves superior prediction performance compared with other competing methods but also predicts MCI-related causal connections that are consistent with clinical studies.

연구 동기 및 목표

• 복잡한 인과 뇌 연결성을 포착하는 데에 있어 기존 방법의 수동 fMRI 사전처리 및 얕은 모델에 의존하는 한계를 해결하기 위해.
• 실험적 시계열 추출에 의존하지 않고 원시 fMRI에서 효과적 연결성을 직접 맵핑하는 엔드 투 엔드 프레임워크를 개발하기 위해.
• 적대적 및 확산 기반 노이즈 제거를 통해 생성된 효과적 연결성 그래프의 품질, 다양성 및 효율성을 향상시키기 위해.
• 알츠하이머병 및 MCI 임상 문헌과 일치하는 임상적으로 타당한 MCI 관련 인과 연결성을 규명함으로써 잠재적 생물학적 표지자 발견을 위해.

제안 방법

• 노이즈가 섞인 fMRI 시계열을 점진적으로 노이즈 제거하여 청소된 고품질의 ROI 기반 시계열로 변환하기 위해 조건부 확산 확률 모델(DDPM)을 활용한다.
• 다중 척도 트랜스포머 생성기를 도입하여 공간/시간 다중 헤드 어텐션을 통해 다양한 척도에서 국소 및 전역 시공간 특징을 추출한다.
• 다양한 척도에서 시간 패턴을 포착하고 적대적 훈련 과정을 안정화하기 위해 다중 척도 확산 트랜스포머 구분기를 설계한다.
• 3D fMRI를 90개의 영역(ROIs)으로 분할하기 위해 AAL90 아틀라스를 사용하여 방향성 간선을 가진 그래프 기반 BEC 표현을 가능하게 한다.
• DDPM의 느린 노이즈 제거 과정을 가속화하면서도 샘플의 다양성과 품질을 유지하기 위해 적대적 전략을 적용한다.
• 중간 사전처리 버티컬 블로킹을 피하기 위해 원시 4D fMRI에서 직접 효과적 연결성 그래프를 생성하기 위해 모델을 엔드 투 엔드로 훈련한다.

실험 결과

연구 질문

• RQ1 수동 사전처리 없이 노이즈가 섞인 fMRI 시계열에서 조건부 확산 기반 생성 모델이 고품질의 효과적 연결성을 효과적으로 재구성할 수 있는가?
• RQ2 다중 해상도 시공간 어텐션 메커니즘이 생성된 뇌 연결성 그래프의 정밀도와 다양성에 어떻게 기여하는가?
• RQ3 적대적 훈련 전략은 확산 기반 노이즈 제거 과정의 효율성과 품질을 어느 정도 향상시키는가?
• RQ4 생성된 MCI 관련 인과 연결성은 생물학적으로 타당하고 알츠하이머병 및 MCI 임상 결과와 일치하는가?

주요 결과

• 제안된 MSETD 모델은 경쟁하는 얕은 및 딥 러닝 방법에 비해 ADNI 데이터셋에서 뛰어난 예측 성능를 달성한다.
• 적대적 전략을 제거한 경우(MSETD w/o MDT) 분류 성능에 심각한 하락이 발생하여, 생성 품질과 속도 향상에 있어 그 핵심적 역할을 확인한다.
• 모델은 임상 문헌과 일치하는 12개의 핵심 MCI 관련 효과적 연결성을 성공적으로 규명하였으며, 이는 기억 및 인지 저하와 관련된 감소된 HIP.L → PCG.R 및 증가된 HIP.L → MOG.R 연결성을 포함한다.
• NC에서 LMCI로의 전이 과정에서 SOG.R → PCG.R 간 효과적 연결성이 둔화되며, 기억 관련 네트워크 이상과 임상 보고와 일치한다.
• AMYG, HIP, ANG 영역은 알려진 MCI 및 알츠하이머병 병리와 관련된 연결성 패턴 변화를 보이며, 이는 임상적 의미를 지닌다.
• 모델는 원시 fMRI에서 생물학적으로 해석 가능하고 임상적으로 관련성이 있는 효과적 연결성 패턴을 생성하는 데 있어 타당성과 효능을 입증한다.