[논문 리뷰] Evaluating Graph Signal Processing for Neuroimaging Through Classification and Dimensionality Reduction

Mathilde Ménoret, Nicolas Farrugia외 2명|arXiv (Cornell University)|2017. 03. 06.

Functional Brain Connectivity Studies참고 문헌 13인용 수 6

한 줄 요약

이 논문은 해부학적 기하학과 기능적 연결성을 기반으로 그래프를 구축하여 fMRI 데이터 분석을 위한 그래프 신호 처리(GSP)를 평가한다. 이를 통해 분류 및 차원 축소 성능을 향상시킨다. 기하학적 및 기능적 연결성을 모두 반영한 반국소적 그래프에서의 그래프 샘플링은 PCA, ICA, ANOVA보다 유의미하게 높은 분류 정확도를 달성하였으며, 특히 도전적인 분류 과제에서 뚜렷한 성능 향상을 보였다.

ABSTRACT

Graph Signal Processing (GSP) is a promising framework to analyze multi-dimensional neuroimaging datasets, while taking into account both the spatial and functional dependencies between brain signals. In the present work, we apply dimensionality reduction techniques based on graph representations of the brain to decode brain activity from real and simulated fMRI datasets. We introduce seven graphs obtained from a) geometric structure and/or b) functional connectivity between brain areas at rest, and compare them when performing dimension reduction for classification. We show that mixed graphs using both a) and b) offer the best performance. We also show that graph sampling methods perform better than classical dimension reduction including Principal Component Analysis (PCA) and Independent Component Analysis (ICA).

연구 동기 및 목표

• 그래프 신호 처리(GSP)가 신경영상 데이터에서 분류 및 차원 축소 성능을 향상시키는지 평가하는 것.
• 해부학적 기하학, 기능적 연결성 또는 그 조합에 기반한 다양한 그래프 구축 방식이 분류 성능에 미치는 영향을 조사하는 것.
• GSP 기반의 차원 축소(그래프 샘플링 및 K-best 선택)를 기존의 표준 방법들인 PCA 및 ICA와 비교하는 것.
• 뇌 활동 분류에 있어 저주파수 또는 고주파수 그래프 성분 중 어느 것이 더 구분력 있는지 판단하는 것.
• fMRI 신호에서 뇌 상태를 복원하기 위한 최적의 그래프 유형과 차원 축소 기법을 규명하는 것.

제안 방법

• 편안 상태 fMRI 데이터에서 해부학적 기하학과 기능적 연결성을 조합하여 일곱 가지의 서로 다른 그래프를 구축하였다.
• 그래프 라플라시안 고유벡터를 기반으로 fMRI 신호를 스펙트럼 성분으로 분해하기 위해 그래프 푸리에 변환(GFT)을 적용하였다.
• 선택된 주파수 대역에서 에너지가 가장 높은 정점들을 선택하는 그래프 샘플링과 통계적 방법으로 상위 K개 성분을 선택하여 차원 축소를 수행하였다.
• 분류 정확도를 평가 지표로 사용하여 GSP 기반의 차원 축소를 PCA, ICA, ANOVA와 비교하였다.
• 간단한 과제와 어려운 과제 모두에서 평가하기 위해 시뮬레이션된 fMRI 데이터와 오픈소스 Haxby 데이터셋을 사용하였다.
• 다양한 주파수 대역(저주파수 및 고주파수)에서 성능을 평가하여 어떤 스펙트럼 성분이 구분 정보를 담고 있는지 파악하였다.

실험 결과

연구 질문

• RQ1 기하학, 기능적 연결성 또는 그 조합에 기반한 다양한 그래프 구축 방식이 fMRI 데이터의 분류 정확도에 어떤 영향을 미치는가?
• RQ2 신경영상 분류 과제에서 그래프 샘플링이 PCA 및 ICA보다 우수한가?
• RQ3 그래프 푸리에 변환의 저주파수 또는 고주파수 성분 중 어느 것이 뇌 상태를 구분하는 데 더 정보를 제공하는가?
• RQ4 해부학적 연결성과 기능적 연결성을 모두 통합한 그래프 구축이 개별적으로 사용할 때보다 더 높은 분류 성능을 내는가?
• RQ5 GSP 기반 방법이 뇌 활동을 복원하기 위해 기존의 다변량 분석 기법인 ANOVA를 능가하는가?

주요 결과

• 해부학적 기하학과 기능적 연결성을 모두 반영한 반국소적 그래프가 가장 높은 분류 정확도(시뮬레이션된 어려운 그룹에서 90.9%)를 달성하였다.
• 반국소적 그래프에서의 그래프 샘플링은 어려운 분류 그룹에서 PCA(p < 0.001), ICA(p < 0.001), ANOVA(p < 0.001)보다 유의미하게 높은 성능을 보였다.
• Haxby 데이터셋에서는 그래프 샘플링이 가장 좋은 분류 결과를 보였으며(얼굴-집: 88.2%, 고양이-얼굴: 69.0%), 유의미한 차이는 없었다.
• 대부분의 그래프 유형에서 고주파수 성분이 저주파수 성분보다 더 구분력이 높았다. 다만 Kalofolias 그래프의 경우 내재된 매끄러움 제약로 인해 저주파수가 지배적이었다.
• 반국소적 그래프에서 그래프 샘플링을 사용할 경우, 어려운 그룹에서는 성분 수가 30개, 쉬운 그룹에서는 50개일 때 최적의 성능을 보였다.
• 반국소적 그래프의 뛰어난 성능은 공간적 및 기능적 뇌 네트워크 구조를 통합함으로써 분류를 위한 신호 표현을 향상시킨다는 것을 시사한다.