[논문 리뷰] Hill Climbing Optimized Twin Classification Using Resting-State Functional MRI.

Andrey Gritsenko, Martin A. Lindquist외 2명|arXiv (Cornell University)|2018. 06. 30.

Functional Brain Connectivity Studies인용 수 4

한 줄 요약

이 연구는 휴식 상태 fMRI를 사용하여 이배체성(자기형, 쌍둥이 형제자매)을 결정하기 위한 새로운 쌍둥이 분류 프레임워크를 제안한다. fMRI 신호를余弦(코시누스) 시리즈 기저 함수로 사영하여 압축되고 분류에 유용한 특징 표현을 얻고, 쌍둥이 간 상관관계 특징과 하이브리드 상승 최적화(Hill Climbing)를 적용하여 유전적 영향을 받는 뇌 영역을 식별한다. 이 방법은 Human Connectome Project의 208쌍의 쌍둥이에서 94.19% ± 3.53%의 정확도를 달성하였다.

ABSTRACT

Twin imaging studies are an important part of human brain research that can reveal the importance of genetic influences on different aspects of brain behavior and disorders. Accurate characterization of identical and fraternal twins allows inference to be performed on the genetic influence in a population. In this paper, we propose a novel pairwise feature representation to classify the zygosity of twin pairs using resting state functional magnetic resonance images (rs-fMRI). Specifically, we project an fMRI signal to a set of cosine series basis, and use the projection coefficients as the compact and discriminative feature representation of noisy fMRI data. The pairwise relation is encoded by a set of twin-wise correlations between the new feature representations across brain regions. We further employ Hill Climbing variable selection to identify the brain regions that are most genetically affected. The proposed framework has been applied to 208 twin pairs in the Human Connectome Project (HCP) and we achieved 94.19($\pm$3.53)% classification accuracy in determining the zygosity of paired images.

연구 동기 및 목표

• 휴식 상태 fMRI 데이터를 활용하여 쌍둥이 연구에서 이배체성 분류 정확도를 향상시키기 위해.
• 노이즈가 많은 fMRI 신호에 대응하기 위해 압축되고 분류에 효과적인 특징 표현을 개발하기 위해.
• 변환된 특징의 영역별 상관관계를 통해 쌍둥이 간 상호관계를 모델링하기 위해.
• 변수 선택을 통해 가장 유전적 영향을 받는 뇌 영역을 식별하기 위해.
• Human Connectome Project의 대규모 쌍둥이 코hort에서 프레임워크를 검증하기 위해.

제안 방법

• 원시 fMRI 신호를 여측(코시누스) 시리즈 기저 함수 집합에 사영하여 저차원적이고 노이즈에 강건한 특징 표현을 생성하기 위해.
• 각 쌍둥이 쌍의 뇌 영역 간 코시누스 계수 벡터 간의 쌍별 상관관계 특징을 계산하기 위해.
• 유전적 관련성이 가장 높은 뇌 영역을 식별하기 위해 하이브리드 상승 알고리즘을 사용한 변수 선택을 적용하기 위해.
• 선택된 특징을 입력으로 사용하여 분류 모델을 구동하여 이배체성(동일형 vs. 이형형 쌍둥이)을 결정하기 위해.
• Human Connectome Project 데이터셋의 208쌍의 쌍둥이를 대상으로 분류 모델을 훈련하고 평가하기 위해.
• 후보 뇌 영역에 대한 반복적 탐색을 통해 특징 선택 및 분류 성능를 최적화하기 위해.

실험 결과

연구 질문

• RQ1 fMRI 신호에서 유도된 쌍별 특징 표현이 기존 방법에 비해 이배체성 분류 정확도를 향상시키는가?
• RQ2 노이즈가 많은 rs-fMRI 데이터에서 분류에 효과적인 특징를 포괄하는 데에 여측 기저 함수 사영이 얼마나 효과적인가?
• RQ3 하이브리드 상승 선택 과정을 통해 가장 강한 유전적 영향을 받는 것으로 밝혀진 뇌 영역는 무엇인가?
• RQ4 Human Connectome Project의 대규모 쌍둥이 코hort에서 제안된 프레임워크의 분류 성능는 어떠한가?
• RQ5 특징 표현 간 쌍둥이 간 상관관계는 어떻게 유전적 영향의 탐지에 기여하는가?

주요 결과

• 제안된 방법은 동일형과 이형형 쌍둥이 쌍을 구분하는 데 94.19% ± 3.53%의 분류 정확도를 달성하였다.
• 여측 기저 함수 사영은 노이즈를 효과적으로 감소시키고 fMRI 신호의 압축되고 분류에 적합한 표현을 제공하였다.
• 하이브리드 상승 최적화를 통해 뇌 기능에 가장 강하게 영향을 미치는 유전적 요인과 관련된 뇌 영역의 부분집합을 성공적으로 식별하였다.
• 쌍둥이 간 쌍별 상관관계 특징은 개별 영역 특징에 비해 분류 성능를 크게 향상시켰다.
• 프레임워크는 Human Connectome Project 데이터셋의 208쌍의 쌍둥이에서 뛰어난 성능를 보였다.
• 3.53%의 표준편차는 다수의 실행 또는 교차검증 폴드에서 일관된 성능를 나타낸다.