[论文解读] Discovering Dynamic Functional Brain Networks via Spatial and Channel-wise Attention

Yiheng Liu, Enjie Ge+7 more|arXiv (Cornell University)|May 19, 2022

Functional Brain Connectivity Studies被引用 6

一句话总结

该论文提出了一种空间与通道注意力自编码器（SCAAE），用于从静息态fMRI数据中发现动态功能脑网络（FBNs），而无需依赖滑动窗口。通过利用空间注意力机制检测空间上相互作用的FBNs，并利用通道注意力机制自动选择相关网络，SCAAE在避免线性与统计独立性假设的前提下，捕捉了瞬时、时变的脑网络动态，实现了与标准ICA模板高度相似的空间结构，且推理速度更快。

ABSTRACT

Using deep learning models to recognize functional brain networks (FBNs) in functional magnetic resonance imaging (fMRI) has been attracting increasing interest recently. However, most existing work focuses on detecting static FBNs from entire fMRI signals, such as correlation-based functional connectivity. Sliding-window is a widely used strategy to capture the dynamics of FBNs, but it is still limited in representing intrinsic functional interactive dynamics at each time step. And the number of FBNs usually need to be set manually. More over, due to the complexity of dynamic interactions in brain, traditional linear and shallow models are insufficient in identifying complex and spatially overlapped FBNs across each time step. In this paper, we propose a novel Spatial and Channel-wise Attention Autoencoder (SCAAE) for discovering FBNs dynamically. The core idea of SCAAE is to apply attention mechanism to FBNs construction. Specifically, we designed two attention modules: 1) spatial-wise attention (SA) module to discover FBNs in the spatial domain and 2) a channel-wise attention (CA) module to weigh the channels for selecting the FBNs automatically. We evaluated our approach on ADHD200 dataset and our results indicate that the proposed SCAAE method can effectively recover the dynamic changes of the FBNs at each fMRI time step, without using sliding windows. More importantly, our proposed hybrid attention modules (SA and CA) do not enforce assumptions of linearity and independence as previous methods, and thus provide a novel approach to better understanding dynamic functional brain networks.

研究动机与目标

• 解决静态方法和基于滑动窗口的方法在捕捉fMRI数据中瞬时、动态功能脑网络（FBNs）方面的局限性。
• 克服现有方法中对人工设定FBN数量和启发式窗口大小的依赖。
• 消除传统模型（如ICA和GLM）中对线性和统计独立性的严格假设。
• 开发一种深度学习框架，实现在每个fMRI时间步上端到端、自动发现动态FBNs。
• 通过跳过完整的编码器-解码器重建过程，仅依赖注意力模块输出，实现更快的推理机制。

提出的方法

• 提出一种大核尺寸的3D卷积自编码器，以编码fMRI信号并扩展感受野。
• 引入空间注意力（SA）模块，学习在每个时间步突出形成功能网络的脑区。
• 整合通道注意力（CA）模块，自适应加权特征通道，自动选择最相关的FBNs。
• 直接使用SA和CA模块的输出进行FBN构建，避免迭代系数学习或完整解码器推理。
• 采用双注意力机制，联合建模空间相互作用与通道重要性，且不假设线性或统计独立性。
• 应用基于IoU的相似性度量，将预测的FBNs与标准ICA模板进行对比，用于基准评估。

实验结果

研究问题

• RQ1 是否能够通过带有注意力机制的深度学习模型，在不使用滑动窗口的情况下，实现在每个fMRI时间步上发现动态FBNs？
• RQ2 与传统方法相比，所提出的SCAAE方法在多大程度上能够捕捉到瞬时且演化的功能网络状态？
• RQ3 在与既定ICA模板的空间相似性方面，基于注意力的FBN发现方法表现如何？
• RQ4 通道注意力模块是否能够无需人工干预或预设网络数量，自动选择有意义的FBNs？
• RQ5 所提出方法揭示的功能网络状态转换的时序动态模式是怎样的？

主要发现

• SCAAE在无需滑动窗口的情况下，成功在每个时间步恢复动态FBNs，实现了对功能网络演化的连续、时间解析的视图。
• SCAAE预测的FBNs与ICA模板之间的平均IoU达到0.4071（KKI）、0.4955（PU）、0.5024（NYU）和0.5103（NI），表明尽管是单时间步模型，仍具有极高的空间相似性。
• 该方法在时间上表现出FBNs的渐变特征，四个ADHD200数据集站点的连续时间步之间平均IoU范围为0.4071至0.5103。
• 功能网络状态转换分析显示，模板0被激活频率最高且连接最紧密，而模板8未实际出现，表明其可能为理论构造。
• 尽管在比较中处于劣势（单时间步 vs. 基于群体的ICA/SDL），SCAAE仍实现了具有竞争力的性能，表明其有效性和实际意义。
• 由于跳过了完整的编码器-解码器重建过程，仅依赖注意力模块输出，该模型的推理速度显著快于以往方法。