[논문 리뷰] Connectome Smoothing via Low-rank Approximations

Runze Tang, Michael D. Ketcha외 6명|arXiv (Cornell University)|2016. 09. 06.

Functional Brain Connectivity Studies참고 문헌 38인용 수 5

한 줄 요약

이 논문은 소규모 표본 크기에서 뇌망 연결도 추정을 향상시키기 위해 자동 순서 선택과 대각선 보정을 갖춘 저질서 행렬 근사 방법을 제안한다. 이는 입자별 표본 평균보다 분산을 크게 감소시켜 더 정확하고 해석 가능한 '고유-연결도'를 도출한다. 이 고유-연결도는 뇌엽과 마우스 슈퍼구조조직과 상관된다.

ABSTRACT

In statistical connectomics, the quantitative study of brain networks, estimating the mean of a population of graphs based on a sample is a core problem. Often, this problem is especially difficult because the sample or cohort size is relatively small, sometimes even a single subject. While using the element-wise sample mean of the adjacency matrices is a common approach, this method does not exploit any underlying structural properties of the graphs. We propose using a low-rank method which incorporates tools for dimension selection and diagonal augmentation to smooth the estimates and improve performance over the naive methodology for small sample sizes. Theoretical results for the stochastic blockmodel show that this method offers major improvements when there are many vertices. Similarly, we demonstrate that the low-rank methods outperform the standard sample mean for a variety of independent edge distributions as well as human connectome data derived from magnetic resonance imaging, especially when sample sizes are small. Moreover, the low-rank methods yield "eigen-connectomes", which correlate with the lobe-structure of the human brain and superstructures of the mouse brain. These results indicate that low-rank methods are an important part of the tool box for researchers studying populations of graphs in general, and statistical connectomics in particular.

연구 동기 및 목표

• 표본 수 M 이 네트워크 크기 N 과 비교해 작을 때, 고차원성과 노이즈로 인해 기존 방법이 성능이 떨어지는 뇌망 네트워크의 집단 평균 그래프 추정 문제를 해결한다.
• 연결도 분석에서 흔히 발생하는 소규모 표본, 대규모 네트워크 환경에서 입자별 표본 평균 추정기의 높은 분산 문제를 해결한다.
• 접근 행렬의 저질서 구조를 활용하여 편향-분산 트레이드오���을 통해 추정 오차를 감소시킨다.
• 잠재 연결도 구조를 포착하고 탐색적 분석을 가능하게 하는 강건하고 계산 효율적인 추정기를 개발한다.
• 합성 데이터, 스토케스틱 블록모델, 실제 인간 연결도 데이터에서 표본 평균보다 본 방법의 우월성을 입증한다.

제안 방법

• 표본 평균 인접행렬 $\bar{A}$ 를 단순화된 특이값 분해(SVD)를 사용해 근사하는 저질서 근사 추정기 $\hat{P}$ 를 제안한다.
• 기본 SVD에서 대각선 요소를 제거함으로써 일반적으로 0이 되는 자기연결 추정치를 유지하기 위해 대각선 보정을 통합한다.
• 편향과 분산을 균형 잡기 위해 교차검증과 정보기준(예: AIC/BIC)을 사용해 자동 순서 선택을 수행한다.
• 스토케스틱 블록모델(SBM) 하에서 합성 네트워크와 실제 DT-MRI 데이터 기반 인간 연결도 데이터에 본 방법을 적용한다.
• 주요 특이벡터에서 유도된 '고유-연결도'를 구성하여 잠재 뇌망 구조를 시각화하고 해석한다.
• 평균제곱오차(MSE) 비교와 뇌 영역 레이블 분류 작업을 통해 성능을 검증한다.

실험 결과

연구 질문

• RQ1 표본 수 M 이 네트워크 크기 N 과 비교해 작을 때, 저질서 근사가 평균 그래프 추정의 추정 오차를 상당히 감소시키는가?
• RQ2 다양한 엣지 분포와 네트워크 모델 하에서 저질서 추정기의 성능이 입자별 표본 평균과 비교해 어떻게 되는가?
• RQ3 저질서 근사가 뇌엽이나 마우스 슈퍼구조 등 알려진 신경해부학적 구조를 어느 정도 회복하는가?
• RQ4 다양한 네트워크 구성에서 편향과 분산을 균형 잡는 데에 자동 순서 선택이 얼마나 효과적인가?
• RQ5 이 저질서 방법은 유사한 노이즈와 차원 문제를 겪는 기능적 MRI 또는 기타 네트워크 추정 작업으로 일반화될 수 있는가?

주요 결과

• 표본 수 M 이 작을 경우, 특히 고차원 환경에서 저질서 추정기 $\hat{P}$ 가 입자별 표본 평균보다 평균제곱오차(MSE) 측면에서 뚜렷이 뛰어나다.
• 스토케스틱 블록모델 하에서 이론적 분석 결과, N 이 증가함에 따라 저질서 방법이 상대적으로 높은 효율성을 보인다.
• 주요 특이벡터로 구성된 $\hat{P}$ 의 고유-연결도는 인간 연결도에서 알려진 뇌엽 구조와 마우스 연결도에서의 슈퍼구조조직과 강하게 상관된다.
• 진짜 그래프가 저질서가 아니더라도 $\hat{P}$ 는 강력한 성능 유지를 보이며, 모델 잘못 설정에 대한 강건성을 입증한다.
• 실제 인간 연결도 데이터에서는 M 이 작을 경우(예: 10명 미만)에 저질서 방법이 가장 큰 향상을 보이며, M 이 증가함에 따라 성능 향상 폭은 점점 줄어든다.
• 특이벡터를 사용한 뇌 영역 분류 작업에서 높은 정확도를 달성했으며, 그림 5c의 정규화된 혼동행렬은 슈퍼구조 레이블 예측에 뛰어난 정확도를 보였다.