[논문 리뷰] Recurrent Neural Networks for Spatiotemporal Dynamics of Intrinsic Networks from fMRI Data

Devon Hjelm, Sergey Plis외 1명|arXiv (Cornell University)|2016. 11. 03.

Functional Brain Connectivity Studies참고 문헌 5인용 수 5

한 줄 요약

이 논문은 fMRI 데이터에서 내재된 뇌망의 시간적 동적 특성과 피험자별 공간적 변동성을 동시에 포착하기 위해 순환 신경망(RNN)과 독립성 성분 분석(ICA)을 통합한 새로운 RNN-ICA 모델을 제안한다. 경사하강법을 통해 학습함으로써, ICA가 시간 순서 데이터를 다루는 데 한계를 가진 점을 극복하고, 동적 공간 지도와 시간 패턴을 동시에 학습할 수 있다.

ABSTRACT

Functional magnetic resonance imaging (fMRI) of temporally-coherent blood oxygenization level-dependent (BOLD) signal provides an effective means of analyzing functionally coherent patterns in the brain. Intrinsic networks and functional connectivity are important outcomes of fMRI studies and are central to understanding brain function and making diagnoses. The most popular method for separating INs, independent component analysis, begins with the assumption that the data is a mixture of maximally independent sources. ICA is trainable through one of many relatively simple optimization routines that maximize non-Gaussianity or minimize mutual information. Although fMRI data is a time series, ICA, as with other popular linear methods for separating INs, is order-agnostic in time: each multivariate signal at each time step is treated as i.i.d.. ICA in its common use in the field employs the same parameterization across subjects, which allows for either temporal or spatial variability, but not both. In order to overcome shortcomings of temporal ICA in lack of dynamics and subject-wise/temporal variability of spatial maps, but without abandoning the fundamental strengths of ICA, we combine recurrent neural networks (RNNs) with an ICA objective. The resulting model naturally represents temporal and spatial dynamics---having subject-wise and temporally variable spatial maps---and is easily trainable using gradient descent and back-propagation.

연구 동기 및 목표

• 시간 시리즈를 i.i.d.로 간주하고 시간적 동적 특성을 忽시하는 전통적 ICA의 한계를 해결한다.
• 표준 ICA가 동시에 피험자별로 다르고 시간에 따라 변하는 공간 지도를 모델링하는 데 실패하는 문제를 해결한다.
• 통계적 독립성과 해석 가능성 등의 ICA의 강점을 유지하면서도, 동적 모델링 능력을 향상시킨다.
• 경사하강법을 사용해 공간 지도와 시간적 동적 특성을 동시에 최적화하는 학습 가능하고 종단간(end-to-end) 프레임워크를 개발한다.

제안 방법

• 시간 순서가 있는 fMRI 데이터를 모델링하면서도 구성 요소의 통계적 독립성을 유지하기 위해 순환 신경망(RNN)과 ICA 목표 함수를 결합한다.
• BOLD 신호의 시간 포인트 간 시간적 의존성을 인코딩함으로써 RNN을 사용해 시간에 따라 변하는 공간 지도를 학습한다.
• 백프로파게이션을 시간에 따라 적용하고 확률적 경사하강법을 사용해 ICA 목표 함수(예: 비정규성 최대화 또는 상호정보량 최소화)를 최적화한다.
• 피험자별로 다른 공간 지도 매개변수화를 허용하면서도, 모든 피험자 간 공통의 시간적 동적 특성을 유지한다.
• ICA 원칙과 RNN 기반 시간 모델링을 결합한 미분 가능 함수로 목표 함수를 수식화한다.
• 모델이 종단간으로 학습 가능하도록 보장하고, 전통적 ICA에서 흔히 볼 수 있는 고정된 사전 처리 단계가 필요로 하지 않다.

실험 결과

연구 질문

• RQ1 RNN 기반 모델은 fMRI 데이터에서 내재된 뇌망의 시간에 따라 변하는 공간 지도를 효과적으로 포착하면서도 ICA의 통계적 독립성 원칙을 유지할 수 있는가?
• RQ2 제안된 RNN-ICA 모델은 표준 ICA에 비해 시간적 동적 특성과 피험자별 변동성을 얼마나 잘 모델링하는가?
• RQ3 RNN-ICA 모델의 경사 기반 학습이 정적 ICA에 비해 시공간 뇌망 동적 특성의 표현을 얼마나 향상시킬 수 있는가?
• RQ4 RNN과 ICA의 통합은 해석 가능성 손실 없이 시간에 따라 변하는 공간 지도와 시간 패턴을 동시에 학습할 수 있도록 하는가?

주요 결과

• RNN-ICA 모델은 내재된 뇌망에서 피험자별로 다르고 동적으로 변화하는 기능적 조직을 반영하는 시간에 따라 변하는 공간 지도를 성공적으로 포착한다.
• 모델은 자체적인 순차적 모델링 능력 덕분에 시간적 동적 특성을 표현하는 데서 표준 ICA를 능가한다.
• 경사하강법 학습을 통해 공간 및 시간 구성 요소를 종단간 최적화할 수 있으며, 고정된 순서에 민감하지 않은 ICA의 한계를 피한다.
• 모델은 ICA의 해석 가능성은 유지하면서도, 동적이고 피험자별로 다른 뇌망 분석에의 적용 범위를 확장한다.