[논문 리뷰] Fast shared response model for fMRI data

Hugo Richard, Lucas Martin외 3명|arXiv (Cornell University)|2019. 09. 27.

Functional Brain Connectivity Studies참고 문헌 39인용 수 5

한 줄 요약

이 논문은 뇌 영상 데이터의 공유 반응 모델(SRM) 분석에서 계산 속도를 높이고 메모리 사용량을 줄이기 위해 약자 기반 압축을 활용하는 확장 가능한 알고리즘인 FastSRM을 소개한다. 원래 SRM 대비 5배 빠른 계산 속도와 20–40배 낮은 메모리 사용량을 달성하면서도 성능은 유사하게 유지하여 표준 하드웨어에서도 대규모 fMRI 분석을 가능하게 하며, 영화 시청 중 fMRI 데이터로부터 나이 예측(MAE = 7.5년)이 정확하게 이루어짐을 보여준다.

ABSTRACT

The shared response model provides a simple but effective framework to analyse fMRI data of subjects exposed to naturalistic stimuli. However when the number of subjects or runs is large, fitting the model requires a large amount of memory and computational power, which limits its use in practice. In this work, we introduce the FastSRM algorithm that relies on an intermediate atlas-based representation. It provides considerable speed-up in time and memory usage, hence it allows easy and fast large-scale analysis of naturalistic-stimulus fMRI data. Using four different datasets, we show that our method matches the performance of the original SRM algorithm while being about 5x faster and 20x to 40x more memory efficient. Based on this contribution, we use FastSRM to predict age from movie watching data on the CamCAN sample. Besides delivering accurate predictions (mean absolute error of 7.5 years), FastSRM extracts topographic patterns that are predictive of age, demonstrating that brain activity during free perception reflects age.

연구 동기 및 목표

• 대규모 fMRI 데이터셋(수백 명의 피실험자와 여러 런)에 공유 반응 모델(SRM)을 피팅할 때 발생하는 높은 계산 및 메모리 요구량을 해결하기 위해.
• 노트북과 같은 표준 하드웨어를 사용하여 자연주의적 자극 fMRI 데이터에 대한 효율적이고 대규모의 분석을 가능하게 하기 위해.
• 메모리 및 계산 자원이 감소함에도 불구하고 fMRI 신호 재구성 및 개인 특성 예측 성능을 높게 유지하기 위해.
• FastSRM이 자연주의적 fMRI 데이터에서 생물학적으로 의미 있는 나이 예측 가능한 뇌 활동 패턴을 추출하는 데의 유용성을 입증하기 위해.

제안 방법

• FastSRM는 사전에 준비된 약자(예: MODL, Basc, Shaeffer)를 사용하여 전체 뇌 fMRI 데이터를 낮은 차원의 표현으로 압축한 후 SRM 피팅을 수행한다.
• 이 방법은 약자 기반 표현된 데이터에 대해 SRM 프레임워크를 적용하여 반복 계산 시 갱신해야 할 공간 성분의 수를 줄인다.
• 공유 반응의 해석 가능성과 안정성을 보장하기 위해 공간 성분에 정규직교 제약 조건을 적용한다.
• 매 반복 단계에서 전체 뇌 공간 성분 갱신을 피하는 것으로 인해 메모리 및 계산 효율성이 향상된다.
• 알고리즘은 BrainIAK 라이브러리의 확장으로 구현되었으며 GitHub에서 무료로 제공된다.
• 확률적 및 결정적 약자 모두를 지원하며, 다양한 데이터셋과 약자 유형에서 성능을 평가하였다.

실험 결과

연구 질문

• RQ1 수백 명의 피실험자와 여러 런을 포함한 대규모 fMRI 데이터셋에 대해, 금전적 또는 시간적 비용이 과도하게 발생하지 않도록 공유 반응 모델을 확장할 수 있는가?
• RQ2 약자 기반 압축 전략을 사용할 경우, 계산 요구량을 크게 줄이면서도 공유 반응 모델의 정확도를 유지할 수 있는가?
• RQ3 FastSRM는 자연주의적 fMRI 데이터(예: 개인의 나이와 관련된 것 등)에서 의미 있는 예측 가능한 뇌 활동 패턴을 추출할 수 있는가?
• RQ4 기존의 SRM 구현체인 DetSRM와 ProbSRM에 비해 FastSRM의 성능 및 효율성은 어떻게 비교되는가?

주요 결과

• FastSRM는 사용된 약자에 따라 ProbSRM 및 DetSRM 대비 5배 빠른 계산 속도와 20–40배 낮은 메모리 사용량을 달성한다.
• 이 방법은 네 개의 데이터셋(SHERLOCK, RAIDERS, CLIPS, FORREST)에서 ProbSRM 및 DetSRM와 유사한 수준의 높은 신호 재구성 정확도를 유지하며, 볼륨당 R² 점수도 유사하다.
• FastSRM를 통해 표준 랩탑을 사용하여 CamCAN 데이터셋(647명의 피실험자)에 대한 전체 공유 반응 모델링을 수행할 수 있었으며, 원래 SRM는 메모리 제약으로 인해 이를 수행하기 어려웠다.
• FastSRM를 사용하여 영화 시청 중 fMRI 데이터로부터 나이를 예측할 때 평균 절대 오차(MAE)가 7.5년으로 나타나 모델의 예측 능력을 입증하였다.
• FastSRM가 추출한 지형 패턴 중 나이가 증가함에 따라 후경로에서 활동 감소가 관찰되는 등 생물학적으로 해석 가능한 패턴이 있으며, 개인의 나이 예측에 유의미하게 기여한다.
• 약자 선택이 성능에 미치는 영향은 미미하여, 다양한 분할 기반 설계에 대해 강건함을 보였다.