[논문 리뷰] Fast joint detection-estimation of evoked brain activity in event-related fMRI using a variational approach

Lotfi Chaâri, Thomas Vincent외 3명|arXiv (Cornell University)|2012. 02. 07.

Functional Brain Connectivity Studies참고 문헌 22인용 수 4

한 줄 요약

이 논문은 이벤트-related fMRI에서 유도된 뇌 활동의 동시 탐지 및 추정을 위한 빠른 변분 기대치 최대화(VEM) 알고리즘을 제안한다. 기존의 계산 비용이 큰 MCMC 방법을 대체한다. 뇌혈류반응(BOLD) 반응을 시간적 및 공간적 파rameter에 마르코프 사전분포를 적용한 영역 기반 이차형 생성 모델로 모델링함으로써, VEM 접근법은 혈관반응함수(HRF)의 효율적이고 강건하며 적응적인 추정을 가능하게 하며, 높은 탐지 정확도와 계산 효율성을 유지한다.

ABSTRACT

In standard clinical within-subject analyses of event-related fMRI data, two steps are usually performed separately: detection of brain activity and estimation of the hemodynamic response. Because these two steps are inherently linked, we adopt the so-called region-based Joint Detection-Estimation (JDE) framework that addresses this joint issue using a multivariate inference for detection and estimation. JDE is built by making use of a regional bilinear generative model of the BOLD response and constraining the parameter estimation by physiological priors using temporal and spatial information in a Markovian modeling. In contrast to previous works that use Markov Chain Monte Carlo (MCMC) techniques to approximate the resulting intractable posterior distribution, we recast the JDE into a missing data framework and derive a Variational Expectation-Maximization (VEM) algorithm for its inference. A variational approximation is used to approximate the Markovian model in the unsupervised spatially adaptive JDE inference, which allows fine automatic tuning of spatial regularisation parameters. It follows a new algorithm that exhibits interesting properties compared to the previously used MCMC-based approach. Experiments on artificial and real data show that VEM-JDE is robust to model mis-specification and provides computational gain while maintaining good performance in terms of activation detection and hemodynamic shape recovery.

연구 동기 및 목표

• 이벤트 관련 fMRI에서 순차적 탐지 및 추정의 한계를 해결하기 위해, 통계적 검정력 저하와 모형 잘못 설정에 대한 민감도를 감소시킨다.
• 활성화된 뇌 영역을 동시에 식별하고 개별 피험자의 혈관반응함수(HRF)를 추정하는 연속 탐지-추정(JDE) 프레임워크를 개발한다.
• 계산 비용이 큰 마르코프 체인 몬테카를로(MCMC) 추론을 대체하기 위해 더 빠른 변분 기대치 최대화(VEM) 알고리즘을 도입하여 확장 가능하고 강건한 추론을 가능하게 한다.
• 공간적 및 시간적 사전분포를 마르코프 무작위장(MRF) 모델링을 통해 통합하여 HRF 추정 및 국소화 정확도를 향상시킨다.
• 비지도 설정에서 변분 근사를 통해 자동으로 데이터 기반으로 공간 정규화 파라미터를 조정할 수 있도록 한다.

제안 방법

• 신호 대 잡음비를 향상시키기 위해 각 영역이 다수의 볼륨에서 신호를 집계하는 영역 기반 이차형 생성 모델을 제안한다.
• 시간적 연속성과 이웃 볼륨 간의 공간 일관성을 확보하기 위해 혈관반응함수(HRF)에 마르코프 무작위장(MRF) 사전분포를 적용한다.
• 연속 탐지-추정(JDE) 문제를 누락된 데이터 모델로 재구성하여 변분 기대치 최대화(VEM)를 사용한 근사 베이지안 추론을 가능하게 한다.
• 잠재 변수(예: HRF 계수 및 활성화 진폭)의 복잡한 후행분포를 단순화하기 위해 변분 근사를 사용한다.
• 핵심 파라미터, 즉 HRF 추정치, 활성화 진폭, 잡음 분산 및 MRF 사전분포의 상관관계 파라미터 ρ에 대한 폐쇄형 업데이트 식을 유도한다.
• 상관관계 파라미터 ρ를 구하기 위해 고정점 반복을 사용하며, 후행 기대값에서 유도된 재귀 함수 F₁, F₂, F₃를 활용한다.

실험 결과

연구 질문

• RQ1 변분 추론 접근법이 fMRI 데이터에서 계산 속도는 빨라지면서도 추정 정확도를 유지할 수 있는가?
• RQ2 실제 및 시뮬레이션 fMRI 데이터에서 모형 잘못 설정 상황에서 VEM-JDE 프레임워크는 어떻게 대처하는가?
• RQ3 MRF 사전분포를 통한 공간 정규화가 HRF 추정 및 활성화 탐지의 강건성과 정확도를 얼마나 향상시키는가?
• RQ4 VEM 알고리즘이 수동 校정 없이 공간 정규화 파라미터를 자동으로 조정할 수 있는가?
• RQ5 VEM-JDE를 통한 연속 탐지-추정은 미세하거나 변동성이 큰 뇌 반응을 탐지할 때 기존의 GLM 또는 고정 HRF 접근법보다 더 나은 성능을 보이는가?

주요 결과

• VEM-JDE 알고리즘이 MCMC 기반 JDE에 비해 뚜렷한 계산 속도 향상을 보이며, 이벤트 관련 fMRI 데이터의 분석 속도를 크게 향상시킨다.
• 모형 잘못 설정 상황에서도 시뮬레이션 및 실제 fMRI 데이터에서 높은 탐지 능력과 정확한 HRF 복원을 유지하는 등 강건성을 입증한다.
• 변분 근사법 덕분에 공간 정규화 파라미터를 자동으로 데이터 기반으로 적응적으로 조정할 수 있어 수동 파라미터 선택이 필요 없어진다.
• 낮은 신호 대 잡음비 조건에서도 활성화된 뇌 영역 탐지에 높은 민감도와 특이도를 유지한다.
• 시뮬레이션에서는 추정된 HRF 형태가 기준값과 매우 유사하며, 실제 데이터에서는 생리학적으로 타당한 형태를 보이며, 변동성이 큰 상황에서는 표준 캐논리컬 HRF 모델보다 뛰어난 성능을 보인다.
• ρ 추정을 위한 고정점 반복적 방법은 안정적으로 수렴하며, 최종 업데이트는 재귀 함수 조합 F₁, F₂, F₃로부터 유도된다.