[논문 리뷰] Spatio-Temporal Graph Convolution for Functional MRI Analysis.

Soham Gadgil, Qingyu Zhao외 4명|arXiv (Cornell University)|2020. 03. 24.

Functional Brain Connectivity Studies참고 문헌 21인용 수 11

한 줄 요약

이 논문은 정적 기능적 연결성을 모델링하는 데에 한계가 있는 기존의 fMRI 분석 방법의 문제를 해결하기 위해, 공간적 뇌 네트워크 구조와 BOLD 신호의 시간적 동적 특성을 동시에 포괄하는 스펙트로-시계열 그래프 컨볼루션 네트워크(ST-GCN)를 제안한다. 이 방법은 rs-fMRI 데이터로부터 연령과 성별을 예측하는 데 뛰어난 정확도를 달성하며, 학습된 엣지 중요도를 통해 성별과 노화에 미치는 영향을 미치는 뇌 영역과 연결을 특정한다.

ABSTRACT

The BOLD signal of resting-state fMRI (rs-fMRI) records the functional brain connectivity in a rich dynamic spatio-temporal setting. However, existing methods applied to rs-fMRI often fail to consider both spatial and temporal characteristics of the data. They either neglect the functional dependency between different brain regions in a network or discard the information in the temporal dynamics of brain activity. To overcome those shortcomings, we propose to formulate functional connectivity networks within the context of spatio-temporal graphs. We then train a spatio-temporal graph convolutional network (ST-GCN) on short sub-sequences of the BOLD time series to model the non-stationary nature of functional connectivity. We simultaneously learn the graph edge importance within ST-GCN to enable interpretation of functional connectivities contributing to the prediction model. In analyzing the rs-fMRI of the Human Connectome Project (HCP, N=1,091) and the National Consortium on Alcohol and Neurodevelopment in Adolescence (NCANDA, N=773), ST-GCN is significantly more accurate than common approaches in predicting gender and age based on BOLD signals. The matrix recording edge importance localizes brain regions and functional connections with significant aging and sex effects, which are verified by the neuroscience literature.

연구 동기 및 목표

• 기존의 fMRI 분석 방법이 공간적 기능적 연결성과 BOLD 신호의 시간적 동적 특성을 동시에 모델링하지 못하는 한계를 해결하기 위해.
• rs-fMRI 데이터에서 기능적 연결성의 비정상성 특성을 포착할 수 있는 딥 러닝 프레임워크를 개발하기 위해.
• 학습된 엣지 중요도를 통해 예측 모델에 기여하는 뇌 영역과 연결을 해석 가능한 방식으로 식별할 수 있도록 하기 위해.

제안 방법

• 뇌 영역을 노드로, 기능적 연결을 엣지로 사용하여 기능적 연결 네트워크를 스펙트로-시계열 그래프로 수식화한다.
• BOLD 신호 시간 시리즈의 짧은 부분 시퀀스를 사용하여 동적 연결 패턴을 모델링하기 위해 스펙트로-시계열 그래프 컨볼루션 네트워크(ST-GCN)를 훈련한다.
• 예측 작업에 대한 기능적 연결의 중요도를 나타내기 위해 ST-GCN 아키텍처 내에서 엣지 가중치를 학습한다.
• 뇌 영역 간의 공간 정보를 집계하면서도 시간적 변화를 유지하기 위해 그래프 컨볼루션 레이어를 사용한다.
• BOLD 신호를 입력으로 사용하여 회귀 또는 분류 작업(예: 연령 또는 성별 예측)을 위해 모델을 종합적으로 최적화한다.
• 성능 및 해석 가능성 평가를 위해 대규모 rs-fMRI 데이터셋(HCP 및 NCANDA)에 모델을 적용한다.

실험 결과

연구 질문

• RQ1 스펙트로-시계열 그래프 컨볼루션 네트워크는 정적 기능적 연결성을 갖는 rs-fMRI 데이터의 동적 기능적 연결성을 효과적으로 모델링할 수 있는가?
• RQ2 공간적 및 시간적 뇌 네트워크 특성을 동시에 모델링할 경우, 연령과 성별과 같은 인구통계학적 변수 예측 정확도는 어떻게 향상되는가?
• RQ3 학습된 엣지 중요도에 의해 드러난 가장 예측력이 높은 뇌 영역과 기능적 연결은 무엇인가?
• RQ4 식별된 기능적 연결은 기능적 및 구조적 뇌 변화와 관련된 노화 및 성별 차이에 대해 기존 신경과학 연구 결과와 어느 정도 일치하는가?

주요 결과

• HCP 및 NCANDA 데이터셋을 모두 사용하여 rs-fMRI 데이터로부터 성별과 연령을 예측하는 데 있어 ST-GCN은 기존의 방법들을 뛰어넘는 성능을 보였다.
• 학습된 엣지 중요도 매트릭스는 노화와 성별 차이와 관련된 특정 뇌 영역과 기능적 연결을 강조하였다.
• 이러한 식별된 연결은 노화 및 성별 차이와 관련된 구조적 및 기능적 뇌 변화에 대해 기존의 신경과학 문헌과 일치하였다.
• BOLD 신호의 짧은 시간 부분 시퀀스를 분석함으로써 모델은 기능적 연결성의 비정상성 특성을 효과적으로 포착하였다.
• 엣지 가중치의 해석 가능성 덕분에, 예측에 기여하는 신경생물학적으로 관련성이 있는 기능적 네트워크를 직접 국소화할 수 있었다.