[논문 리뷰] DiffGAN-F2S: Symmetric and Efficient Denoising Diffusion GANs for Structural Connectivity Prediction from Brain fMRI

Qiankun Zuo, Ruiheng Li외 5명|arXiv (Cornell University)|2023. 09. 28.

Functional Brain Connectivity Studies인용 수 5

한 줄 요약

이 논문은 단일 엔드 투 엔드 스테이지에서 기능적 MRI(fMRI)로부터 구조적 연결성(SC)을 예측하는 대칭적이고 효율적인 노이즈 제거 확산 GAN인 DiffGAN-F2S를 제안한다. 노이즈 제거 확산 확률 모델과 적대적 학습을 통합하고 이중 채널 다중 헤드 공간 주의 및 그래프 컨볼루션 생성자(Generator)를 적용하여, 공간적으로 연결된 일관성 손실을 통해 전역적이고 국소적인 뇌 네트워크 관계를 유지하면서도 위상 일관성을 확보함으로써 ADNI 데이터셋에서 최신 기술 수준의 성능을 달성한다.

ABSTRACT

Mapping from functional connectivity (FC) to structural connectivity (SC) can facilitate multimodal brain network fusion and discover potential biomarkers for clinical implications. However, it is challenging to directly bridge the reliable non-linear mapping relations between SC and functional magnetic resonance imaging (fMRI). In this paper, a novel diffusision generative adversarial network-based fMRI-to-SC (DiffGAN-F2S) model is proposed to predict SC from brain fMRI in an end-to-end manner. To be specific, the proposed DiffGAN-F2S leverages denoising diffusion probabilistic models (DDPMs) and adversarial learning to efficiently generate high-fidelity SC through a few steps from fMRI. By designing the dual-channel multi-head spatial attention (DMSA) and graph convolutional modules, the symmetric graph generator first captures global relations among direct and indirect connected brain regions, then models the local brain region interactions. It can uncover the complex mapping relations between fMRI and structural connectivity. Furthermore, the spatially connected consistency loss is devised to constrain the generator to preserve global-local topological information for accurate intrinsic SC prediction. Testing on the public Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset, the proposed model can effectively generate empirical SC-preserved connectivity from four-dimensional imaging data and shows superior performance in SC prediction compared with other related models. Furthermore, the proposed model can identify the vast majority of important brain regions and connections derived from the empirical method, providing an alternative way to fuse multimodal brain networks and analyze clinical disease.

연구 동기 및 목표

• 기능적 및 구조적 뇌 연결성 간의 복잡한 비선형 맵핑을 학습하는 데 도전한다.
• 직접적인 SC 획득이 필요 없이 fMRI로부터 엔드 투 엔드로 고해상도의 구조적 연결성을 예측할 수 있도록 한다.
• 다중 모odal 뇌 네트워크 융합을 위한 강력하고 대칭적인 프레임워크를 제공한다.
• 신경퇴행성 질환 연구에서의 다중 모odal 뇌 네트워크 융합을 위한 강력하고 대칭적인 프레임워크를 제공한다.

제안 방법

• 노이즈 제거 확산 확률 모델(DDPMs)과 생성 적대적 기반 네트워크(GANs)를 결합하여 몇 차례의 노이즈 제거 단계 내에 fMRI로부터 SC를 생성한다.
• 대칭적인 그래프 생성자는 이중 채널 다중 헤드 공간 주의(DMSA)를 사용하여 뇌 영역 간의 장거리 및 간접 연결을 모델링한다.
• 그래프 컨볼루션 모듈을 통합하여 뇌 네트워크 내에서 국소 상호작용을 캡처하고 노드 표현을 정밀하게 조정한다.
• 공간적으로 연결된 일관성(SCC) 손실을 도입하여 예측된 SC와 실측된 SC 간의 전역적 및 국소적 연결 패턴을 일치시킴으로써 위상적 구조를 유지한다.
• 생성자는 적대적 손실을 통해 실측된 SC의 분포를 잘 따르는 현실적인 SC 샘플을 생성하도록 훈련된다.
• 모델은 AAL90 아틀라스를 사용하여 90개의 뇌 영역을 ROI로 정의하여 fMRI 시간 포인트 간 일관된 특징 표현을 가능하게 한다.

실험 결과

연구 질문

• RQ1 확산 기반 GAN 모델이 엔드 투 엔드 방식으로 고해상도의 구조적 연결성을 fMRI에서 효과적으로 예측할 수 있는가?
• RQ2 fMRI에서 SC로의 변환 과정에서 뇌 네트워크의 전역적 및 국소적 위상적 구조는 어떻게 유지될 수 있는가?
• RQ3 적대적 학습과 공간적으로 연결된 일관성 손실이 SC 예측 정밀도 향상에 기여하는 정도는 어떠한가?
• RQ4 모델이 실측 방법과 유사하게 질병 관련 뇌 영역과 연결을 식별할 수 있는 정도는 어느 정도인가?
• RQ5 기존 최신 기술 수준의 모델들과 비교할 때, 제안된 모델은 구조적 및 기능적 연결성 예측 정확도 측면에서 어떤가?

주요 결과

• DiffGAN-F2S는 비교 모델들 중에서 가장 낮은 평균 절대 오차(MAE) 0.013 ± 0.007을 기록하여 기존 기준 모델들을 크게 앞서며 성능을 뛰어나게 했다.
• 모델은 실측된 구조적 연결성과 강한 일치를 보이며 상관계수 0.976 ± 0.021를 달성했다.
• 공간적으로 연결된 일관성(SCC) 손실 제거 시 MAE가 0.015로 증가하여, 이 손실이 위상적 구조 유지에 핵심적인 역할을 한다는 점을 입증했다.
• 모델은 실측 방법으로 확인된 가장 중요한 뇌 영역과 연결의 95%를 성공적으로 포착하여 임상적 관련성을 뒷받침했다.
• 정량적 및 정성적 비교를 통해 예측된 SC가 개인별 및 집단 수준 분석 모두에서 실측된 연결 패턴을 밀도 있게 재현함을 확인했다.
• 제거 실험(ablation study) 결과, GAN 손실과 SCC 손실 모두 필수적임을 입증했다. 둘 중 하나를 제거할 경우, 특히 연결 분포 및 위상 정밀도 측면에서 성능 저하가 발생했다.