[논문 리뷰] Deep Chronnectome Learning via Full Bidirectional Long Short-Term Memory Networks for MCI Diagnosis

Weizheng Yan, Han Zhang외 2명|arXiv (Cornell University)|2018. 08. 30.

Functional Brain Connectivity Studies참고 문헌 3인용 수 7

한 줄 요약

이 논문은 휴식 상태 fMRI에서의 동적 기능적 연결성(dFC)을 사용하여 MCI 진단을 향상시키기 위해 깊이 있는 크로노넥톰 학습을 위한 새로운 전방향 순환 순환 신경망(Full-BiLSTM)을 제안한다. 양방향 시간적 의존성을 포착하고 모든 셀 출력을 융합하여 내재된 뇌 상태 전이를 모델링함으로써, 이 방법은 73.6%의 정확도와 79.8%의 AUC를 달성하여 기존 최첨단 방법들을 능가한다.

ABSTRACT

Brain functional connectivity (FC) extracted from resting-state fMRI (RS-fMRI) has become a popular approach for disease diagnosis, where discriminating subjects with mild cognitive impairment (MCI) from normal controls (NC) is still one of the most challenging problems. Dynamic functional connectivity (dFC), consisting of time-varying spatiotemporal dynamics, may characterize "chronnectome" diagnostic information for improving MCI classification. However, most of the current dFC studies are based on detecting discrete major brain status via spatial clustering, which ignores rich spatiotemporal dynamics contained in such chronnectome. We propose Deep Chronnectome Learning for exhaustively mining the comprehensive information, especially the hidden higher-level features, i.e., the dFC time series that may add critical diagnostic power for MCI classification. To this end, we devise a new Fully-connected Bidirectional Long Short-Term Memory Network (Full-BiLSTM) to effectively learn the periodic brain status changes using both past and future information for each brief time segment and then fuse them to form the final output. We have applied our method to a rigorously built large-scale multi-site database (i.e., with 164 data from NCs and 330 from MCIs, which can be further augmented by 25 folds). Our method outperforms other state-of-the-art approaches with an accuracy of 73.6% under solid cross-validations. We also made extensive comparisons among multiple variants of LSTM models. The results suggest high feasibility of our method with promising value also for other brain disorder diagnoses.

연구 동기 및 목표

• 휴식 상태 fMRI에서의 동적 기능적 연결성(dFC)을 사용하여 경도 인지 장애(MCI)를 정상 대조군(NC)과 분류하는 데 도전하는 것.
• 기존 dFC 방법들이 이산적인 뇌 상태나 공간 클러스터링에 의존하여 풍부한 시공간 역학을 忽略하는 한계를 극복하는 것.
• dFC 시계열에서 숨겨진 고차원 특징을 추출할 수 있는 엔드 투 엔드 딥 러닝 프레임워크를 개발하여 진단 능력을 향상시키는 것.
• 표준 LSTM 및 BiLSTM 변종보다 전방향 연결성과 양방향 컨텍스트를 결합한 Full-BiLSTM 아키텍처의 우수성을 dFC 기반 MCI 분류에서 검증하는 것.

제안 방법

• BOLD 시계열에서 116개의 ROI(AAL 템플릿)를 대상으로 슬라이딩 윈도우 방법을 사용하여 동적 기능적 연결성(dFC)을 계산하고, 시간에 따라 변하는 연결성 행렬을 생성한다.
• 각 dFC 행렬은 T × M(M−1)/2 시계열로 벡터화되며, 여기서 T는 슬라이딩 윈도우의 수이고 M = 116개의 ROI이다.
• 새로운 Full-BiLSTM 네트워크를 설계: 각 LSTM 셀은 은닉 상태를 출력하고, 모든 출력은 결합되어 융합 레이어에 입력되어 전반적인 시간 패턴을 포착한다.
• 양방향 아키텍처는 각 시간 단계가 과거와 미래의 컨텍스트를 모두 고려할 수 있도록 하여 복잡한 뇌 상태 전이 모델링을 향상시킨다.
• 최종 융합 표현은 이진 분류를 위해 교차 엔트로피 손실을 사용하여 MCI 대 NC에 대해 밀도 레이어를 통과시킨다.
• 하이퍼파라미터 민감도 분석에는 은닉 유닛 수의 변화(16, 32, 64) 및 데이터 증강 효과 평가를 포함하여 성능을 최적화한다.

실험 결과

연구 질문

• RQ1 dFC 시계열에서 전체 시간적 컨텍스트를 모델링하는 딥 러닝 프레임워크가 전통적인 정적 또는 클러스터링 기반 dFC 방법을 초월하여 MCI 분류 성능을 향상시킬 수 있는가?
• RQ2 LSTM 셀에 과거와 미래의 양방향 컨텍스트를 통합함으로써 dFC 내 의미 있는 뇌 상태 전이 감지 능력이 향상되는가?
• RQ3 모든 LSTM 셀 출력을 융합하는(Full-LSTM) 방식이 마지막 은닉 상태만 사용하는(마지막 출력) 방식보다 dFC 기반 진단에 더 효과적인가?
• RQ4 깊이(스택드 레이어), 은닉 유닛 크기, 데이터 증강과 같은 아키텍처 선택 사항이 dFC 데이터에 대한 모델 성능에 미치는 영향은 어떠한가?
• RQ5 제안된 Full-BiLSTM 프레임워크는 MCI 이외의 뇌 질환에도 일반화 가능한가?

주요 결과

• 제안된 Full-BiLSTM 모델은 ADNI-2 데이터셋에서 73.6%의 정확도와 79.8%의 AUC를 달성하여, 기존 방법들인 정적 FC + SVM(64.2% AUC)과 dFC 변동성(49.0% AUC)을 뛰어넘는 성능을 보였다.
• 은닉 유닛 수가 32인 Full-BiLSTM 모델이 최고의 성능을 보였으며, 16개는 너무 제한적이었고, 64개는 과적합을 유도하여 dFC 시계열 모델링에 최적의 용량이 있음을 시사했다.
• Full-BiLSTM는 모든 경쟁 LSTM 변종보다 뛰어난 성능을 보였다: BiLSTM_Last(71.0% 정확도), Full-LSTM(71.9% 정확도), 스택드 Full-BiLSTM(69.0% 정확도), 이는 전면 연결성과 양방향성의 이점이 확인됨.
• 데이터 증강은 모델의 강인성을 향상시켰으며, 이를 생략했을 경우 정확도가 2%p 감소하여 소규모 또는 불균형한 dFC 데이터셋을 다룰 때의 중요성을 강조했다.
• 모델는 노이즈에 강건했고, 내재된 뇌 상태 전이 패턴을 학습할 수 있었으며, 노이즈가 많은 dFC 변동성 특징에 의존하는 방법보다 더 신뢰할 수 있었다.
• 본 연구는 dFC를 활용한 개인 맞춤형 뇌 질환 진단을 위한 새로운 패러다임으로 '딥 크로노넥톰 학습'의 실현 가능성을 입증하였으며, 다른 신경퇴행성 질환에의 적용 잠재력이 매우 높다.