[論文レビュー] Hill Climbing Optimized Twin Classification Using Resting-State Functional MRI.

Andrey Gritsenko, Martin A. Lindquist+2 more|arXiv (Cornell University)|Jun 30, 2018

Functional Brain Connectivity Studies被引用数 4

ひとこと要約

本研究では、resting-state fMRIを用いた新しい二重分類フレームワークを提案する。fMRI信号をコサイン関数基底に投影することで、コン pact かつ判別性の高い特徴表現を生成し、その後、二重ごとの相関特徴とHill Climbing最適化を用いて、遺伝的要因に影響を受ける脳領域を同定する。この手法は、Human Connectome Projectの208組の同一対向から成るデータセットで94.19% ± 3.53%の精度を達成した。

ABSTRACT

Twin imaging studies are an important part of human brain research that can reveal the importance of genetic influences on different aspects of brain behavior and disorders. Accurate characterization of identical and fraternal twins allows inference to be performed on the genetic influence in a population. In this paper, we propose a novel pairwise feature representation to classify the zygosity of twin pairs using resting state functional magnetic resonance images (rs-fMRI). Specifically, we project an fMRI signal to a set of cosine series basis, and use the projection coefficients as the compact and discriminative feature representation of noisy fMRI data. The pairwise relation is encoded by a set of twin-wise correlations between the new feature representations across brain regions. We further employ Hill Climbing variable selection to identify the brain regions that are most genetically affected. The proposed framework has been applied to 208 twin pairs in the Human Connectome Project (HCP) and we achieved 94.19($\pm$3.53)% classification accuracy in determining the zygosity of paired images.

研究の動機と目的

• resting-state fMRIデータを用いた対向分類の精度を向上させること。
• ノイズの多いfMRI信号に対処するため、コン pact かつ判別性の高い特徴表現を開発すること。
• 変換された特徴の領域ごとの相関を通じて、対間の関係をモデル化すること。
• 変数選択を用いて、遺伝的要因に最も影響を受ける脳領域を同定すること。
• Human Connectome Projectの大きな対向コhortを用いて、フレームワークを検証すること。

提案手法

• fMRI信号をコサイン関数基底の集合に投影することで、低次元でノイズに強い特徴表現を生成する。
• 各対向ペアの脳領域間で、コサイン係数ベクトル間の対間相関特徴を計算する。
• Hill Climbingアルゴリズムを用いて変数選択を行い、遺伝的に関連性の高い脳領域を同定する。
• 選択された特徴を分類モデルの入力として用い、対向の種別（同一対向 vs. 異なる対向）を決定する。
• Human Connectome Projectデータセットの208組の対向ペアを用いて分類モデルを学習および評価する。
• 候補となる脳領域の反復的探索を通じて、特徴選択と分類性能を最適化する。

実験結果

リサーチクエスチョン

• RQ1 fMRI信号から導出される対間特徴表現は、標準的手法と比較して対向分類精度を向上させることができるか？
• RQ2 ノイズの多いrs-fMRIデータから判別性の高い特徴を捉えるために、コサイン基底投影はどの程度有効か？
• RQ3 Hill Climbing選択プロセスによって特定された、遺伝的要因に最も強く影響を受ける脳領域はどれか？
• RQ4 本研究で提案するフレームワークは、Human Connectome Projectの大きな対向コhortにおいて、どの程度の分類性能を示すか？
• RQ5 特徴表現間の対向相関は、遺伝的要因の検出をどのように向上させるか？

主な発見

• 提案手法は、同一対向と異なる対向ペアを区別する分類精度が94.19% ± 3.53%であった。
• コサイン基底投影はノイズを効果的に低減し、fMRI信号のコン pact かつ判別性の高い表現を提供した。
• Hill Climbing最適化は、脳機能に遺伝的要因が強く影響を及ぼす脳領域のサブセットを的確に同定した。
• 対向ペア間の対間相関特徴は、個々の領域特徴と比較して分類性能を顕著に向上させた。
• フレームワークは、Human Connectome Projectデータセットの208組の対向ペアにおいて、頑健な性能を示した。
• 3.53%の標準偏差は、複数回の実行または交差検証のfold間で一貫した性能を示していることを示している。