[论文解读] DiffGAN-F2S: Symmetric and Efficient Denoising Diffusion GANs for Structural Connectivity Prediction from Brain fMRI

Qiankun Zuo, Ruiheng Li+5 more|arXiv (Cornell University)|Sep 28, 2023

Functional Brain Connectivity Studies被引用 5

一句话总结

该论文提出DiffGAN-F2S，一种对称且高效的去噪扩散生成对抗网络（GAN），可在单阶段端到端过程中从功能磁共振成像（fMRI）预测结构连接性（SC）。通过将去噪扩散概率模型与对抗学习相结合，并采用双通道多头空间注意力机制及图卷积生成器，该模型在保留拓扑一致性的同时捕捉了大脑网络的全局与局部关系，通过空间连通一致性损失实现，其在ADNI数据集上达到最先进性能。

ABSTRACT

Mapping from functional connectivity (FC) to structural connectivity (SC) can facilitate multimodal brain network fusion and discover potential biomarkers for clinical implications. However, it is challenging to directly bridge the reliable non-linear mapping relations between SC and functional magnetic resonance imaging (fMRI). In this paper, a novel diffusision generative adversarial network-based fMRI-to-SC (DiffGAN-F2S) model is proposed to predict SC from brain fMRI in an end-to-end manner. To be specific, the proposed DiffGAN-F2S leverages denoising diffusion probabilistic models (DDPMs) and adversarial learning to efficiently generate high-fidelity SC through a few steps from fMRI. By designing the dual-channel multi-head spatial attention (DMSA) and graph convolutional modules, the symmetric graph generator first captures global relations among direct and indirect connected brain regions, then models the local brain region interactions. It can uncover the complex mapping relations between fMRI and structural connectivity. Furthermore, the spatially connected consistency loss is devised to constrain the generator to preserve global-local topological information for accurate intrinsic SC prediction. Testing on the public Alzheimer's Disease Neuroimaging Initiative (ADNI) dataset, the proposed model can effectively generate empirical SC-preserved connectivity from four-dimensional imaging data and shows superior performance in SC prediction compared with other related models. Furthermore, the proposed model can identify the vast majority of important brain regions and connections derived from the empirical method, providing an alternative way to fuse multimodal brain networks and analyze clinical disease.

研究动机与目标

• 为解决功能与结构脑连接性之间复杂非线性映射的学习挑战。
• 实现在无需直接获取SC的情况下，从fMRI端到端、高保真地预测SC。
• 在跨模态生成过程中保持脑网络的全局与局部拓扑特性。
• 为神经退行性疾病研究提供一种稳健、对称的多模态脑网络融合框架。

提出的方法

• 该模型将去噪扩散概率模型（DDPMs）与生成对抗网络（GANs）结合，通过少量去噪步骤从fMRI生成SC。
• 对称图生成器采用双通道多头空间注意力（DMSA）以建模脑区之间的长程及间接连接。
• 集成图卷积模块以捕捉局部交互作用，并细化脑网络中的节点表示。
• 引入空间连通一致性（SCC）损失，通过在全局与局部连接模式上对齐预测SC与实际SC，以保持拓扑结构。
• 生成器通过对抗损失进行训练，以生成与实际SC分布一致的逼真SC样本。
• 框架使用AAL90脑图谱将90个脑区定义为感兴趣区域（ROIs），以实现在fMRI时间点间的一致特征表示。

实验结果

研究问题

• RQ1 基于扩散的GAN模型能否在端到端方式下有效从fMRI预测高保真度的结构连接性？
• RQ2 在fMRI到SC转换过程中，如何保持脑网络的全局与局部拓扑结构？
• RQ3 对抗训练与空间连通一致性损失在提升SC预测保真度方面的贡献是什么？
• RQ4 该模型在多大程度上能识别出与实际方法相当的疾病相关脑区与连接？
• RQ5 与现有最先进模型相比，该模型在结构与功能连接性预测准确度方面表现如何？

主要发现

• DiffGAN-F2S在所有对比模型中实现了最低的平均绝对误差（MAE）0.013 ± 0.007，显著优于基线模型。
• 该模型达到0.976 ± 0.021的皮尔逊相关系数，表明与实际结构连接性高度一致。
• 移除空间连通一致性（SCC）损失后，MAE上升至0.015，证明其在保持拓扑结构方面具有关键作用。
• 该模型成功捕捉了实际方法识别出的95%最重要脑区与连接，支持其临床相关性。
• 定性与定量比较证实，预测的SC在个体与群体水平分析中均能紧密复现实际连接模式。
• 消融研究证实，GAN损失与SCC损失均不可或缺：任一损失的移除均导致性能下降，尤其在连接分布与拓扑保真度方面。