[논문 리뷰] Combining Anatomical and Functional Networks for Neuropathology Identification: A Case Study on Autism Spectrum Disorder

Sarah Itani, Dorina Thanou|arXiv (Cornell University)|2019. 04. 25.

Functional Brain Connectivity Studies참고 문헌 42인용 수 8

한 줄 요약

이 논문은 자폐성장애(ASD) 분류 성능을 향상시키기 위해 구조적 및 기능적 뇌망을 융합하는 그래프 신호 처리(GSP) 기반 접근법을 제안한다. fMRI 신호를 구조적 뇌 그래프 위에 모델링하고, 분류 성능을 높이기 위해 확장된 후쿠나가-쿠니츠 변환을 적용하여 주파수 도메인 특징을 추출함으로써, ABIDE 데이터셋에서 뛰어난 분류 성능를 달성하면서도 진단에 핵심적인 역할을 하는 전두엽 및 측두엽을 규명한다.

ABSTRACT

While the prevalence of Autism Spectrum Disorder (ASD) is increasing, research continues in an effort to identify common etiological and pathophysiological bases. In this regard, modern machine learning and network science pave the way for a better understanding of the neuropathology and the development of diagnosis aid systems. The present work addresses the classification of neurotypical and ASD subjects by combining knowledge about both the structure and the functional activity of the brain. In particular, we model the brain structure as a graph, and the resting-state functional MRI (rs-fMRI) signals as values that live on the nodes of that graph. We then borrow tools from the emerging field of Graph Signal Processing (GSP) to build features related to the frequency content of these signals. In order to make these features highly discriminative, we apply an extension of the Fukunaga-Koontz transform. Finally, we use these new markers to train a decision tree, an interpretable classification scheme, which results in a final diagnosis aid model. Interestingly, the resulting decision tree outperforms state-of-the-art methods on the publicly available Autism Brain Imaging Data Exchange (ABIDE) collection. Moreover, the analysis of the predictive markers reveals the influence of the frontal and temporal lobes in the diagnosis of the disorder, which is in line with previous findings in the literature of neuroscience. Our results indicate that exploiting jointly structural and functional information of the brain can reveal important information about the complexity of the neuropathology.

연구 동기 및 목표

• 다양한 뇌 데이터를 기반으로 신경형태적(NT)과 자폐성장애(ASD) 환자를 구분하는 데이터 기반의 해석 가능한 분류 모델을 개발하기 위해.
• 일관된 그래프 신호 처리(GSP) 프레임워크 내에서 구조적 연결성(SC)과 기능적 연결성(FC) 정보를 통합하기 위해.
• 그래프 푸리에 변환과 확장된 후쿠나가-쿠니츠 변환을 사용하여 휴식 상태 fMRI 신호의 주파수 성분에서 분류에 유용한 특징을 추출하기 위해.
• 의사결정 트리 분류기를 활용하여 모델의 해석 가능성을 확보함으로써 진단에 영향을 미치는 생물학적으로 의미 있는 뇌 영역을 드러내기 위해.
• 공개된 ABIDE 데이터셋에서 본 방법의 유효성을 검증하고 기존의 최고 수준의 방법들과의 성능를 비교하기 위해.

제안 방법

• 뇌는 AAL 아틀라스에서 유래한 뇌 영역 관심영역(ROIs)이 정점으로 구성되고, 해부학적 근접성에 의해 정의된 간선을 가진 그래프로 표현된다.
• 휴식 상태 fMRI(rs-fMRI) 시계열은 구조적 그래프의 정점 위에 존재하는 그래프 신호로 간주된다.
• 각 환자의 fMRI 신호에 그래프 푸리에 변환(GFT)을 적용하여 그래프 스펙트럼 도메인에서 주파수 성분을 분석한다.
• 결과적으로 유도된 시간에 따라 변하는 GFT 계수들은 환자 간의 그래프 주파수 패턴을 캡처하는 연결성 행렬로 집계된다.
• 이 행렬에 대해 후쿠나가-쿠니츠 변환(FKT)의 확장된 형태를 적용하여 ASD와 NT 그룹을 분리하는 데 유용한 저차원의 특징을 추출한다.
• 이러한 특징을 기반으로 의사결정 트리를 학습시켜 최종적으로 명확한 의사결정 규칙을 기반으로 특정 뇌 영역과 주파수 성분에 근거한 해석 가능한 진단 보조 모델을 도출한다.

실험 결과

연구 질문

• RQ1 그래프 신호 처리를 통해 구조적 및 기능적 뇌망을 융합하면 자폐성장애(ASD)와 신경형태적(NT) 환자를 분류하는 정확도를 향상시킬 수 있는가?
• RQ2 그래프 주파수 기반 특징을 사용할 경우, ASD 진단에 가장 예측력이 있는 뇌 영역 또는 네트워크는 무엇인가?
• RQ3 ABIDE 데이터셋에서 본 방법은 기존의 최고 수준의 접근법과 비교해 성능와 해석 가능성 측면에서 어떻게 비교되는가?
• RQ4 추출된 그래프 주파수 특징이 자폐성장애와 관련된 알려진 신경생물학적 패턴을 어느 정도 반영하는가?
• RQ5 특징에서 유도된 의사결정 트리 모델은 자폐성장애의 뇌병리학에 대해 임상적으로 해석 가능한 통찰을 제공할 수 있는가?

주요 결과

• 제안된 방법은 최고 수준의 기존 방법들과 비교해 ABIDE 데이터셋에서 뛰어난 분류 성능를 보이며, ASD와 신경형태적(NT) 환자를 효과적으로 분리하는 데 성공했다.
• 의사결정 트리 분석 결과, 전두엽 및 측두엽이 분류에 가장 영향을 미치는 뇌 영역임이 드러났으며, 이는 자폐성장애에 관한 기존 신경과학 문헌과 일치한다.
• 확장된 후쿠나가-쿠니츠 변환을 통해 추출된 그래프 주파수 기반 특징은 매우 뛰어난 분류 능력을 보이며, 뇌 기능 이상과 연관된 미세한 패턴을 포착한다.
• 의사결정 트리의 사용은 모델의 해석 가능성을 보장하여 임상의가 특정 뇌 영역과 주파수 성분에 기반한 진단 결정을 추적할 수 있도록 한다.
• 그래프 신호 처리를 통해 구조적 및 기능적 뇌망을 융합함으로써 상호보완적인 정보가 드러나며, 단독으로 사용할 경우보다 진단 능력이 향상된다.
• 확장된 FKT에서의 대각화 및 직교 제약 조건은 유도된 특징들이 통계적으로 최적화되고 수치적으로 안정된 분류에 적합함을 보장한다.