[논문 리뷰] Tensor Generalized Estimating Equations for Longitudinal Imaging Analysis

Xiang Zhang, Lexin Li외 3명|arXiv (Cornell University)|2014. 12. 20.

Tensor decomposition and applications참고 문헌 43인용 수 8

한 줄 요약

이 논문은 장기적 뇌영상 분석을 위한 텐서 일반화 추정방정식(GEE)을 제안하며, 고차원 이미지 예측변수를 다루기 위해 저랭크 텐서 분해를 통합하고, 내부 피험자 간 상관관계를 고려한다. 이 방법은 알츠하이머병 진행에서 임상적 결과(예: MMSE 점수)를 정확하게 예측하고, 효과적인 영역 선별을 가능하게 하며, ADNI 데이터에서 L1 정규화와 함께 AR(1) 작업 상관관계를 사용할 경우 RMSE 2.270과 상관계수 0.747을 달성한다.

ABSTRACT

In an increasing number of neuroimaging studies, brain images, which are in the form of multidimensional arrays (tensors), have been collected on multiple subjects at multiple time points. Of scientific interest is to analyze such massive and complex longitudinal images to diagnose neurodegenerative disorders and to identify disease relevant brain regions. In this article, we treat those problems in a unifying regression framework with image predictors, and propose tensor generalized estimating equations (GEE) for longitudinal imaging analysis. The GEE approach takes into account intra-subject correlation of responses, whereas a low rank tensor decomposition of the coefficient array enables effective estimation and prediction with limited sample size. We propose an efficient estimation algorithm, study the asymptotics in both fixed $p$ and diverging $p$ regimes, and also investigate tensor GEE with regularization that is particularly useful for region selection. The efficacy of the proposed tensor GEE is demonstrated on both simulated data and a real data set from the Alzheimer's Disease Neuroimaging Initiative (ADNI).

연구 동기 및 목표

• 다수의 피험자로부터 획득한 고차원적, 다차원적 뇌영상 데이터를 장기적으로 분석하는 데 도전하는 문제를 해결한다.
• 시간대에 걸쳐 피험자 내 상관관계를 고려하면서 영상 예측변수를 텐서로 모델링하는 통합 회귀 프레임워크를 개발한다.
• 제한된 표본 크기에서 저랭크 텐서 분해를 통한 계수 배열의 차원 축소를 통해 효과적인 추정 및 예측을 가능하게 한다.
• 텐서 GEE 프레임워크에 정규화를 통합하여 신경퇴행성 질환에서의 영역 선별을 촉진한다.
• 알츠하이머병 신경영상 데이터 인터페이스(ADNI)의 실제 데이터를 통해 방법의 유효성을 입증한다.

제안 방법

• 피험자 내 상관관계를 작업 상관행렬을 사용해 고려하는 텐서형 예측변수를 포함한 일반화 추정방정식(GEE) 프레임워크를 설정한다.
• 제한된 표본 크기에서 차원 축소 및 추정 효율성 향상을 위해 계수 텐서에 저랭크 터커 분해를 적용한다.
• 고정 및 발산하는 p 제도에서 모두 적용 가능한, 보조 변수 방법의 변형인 ADMM 기반 알고리즘을 개발하여 매개변수 추정을 수행한다.
• 텐서 GEE에 L1 정규화를 통합하여 희박한 추정을 가능하게 하고 질병 연관 뇌 영역을 식별한다.
• 계수 텐서와 작업 상관행렬을 번갈아가며 업데이트하는 반복적 추정 절차를 사용한다.
• 적절한 링크 함수를 통해 연속형 및 이산형 결과 모두를 다룰 수 있도록 추정 프레임워크를 적응시킨다.

실험 결과

연구 질문

• RQ1 장기적 MRI 영상과 임상적 결과(예: MMSE 점수) 간의 연관성을 내부 피험자 간 상관관계를 고려하여 텐서 GEE가 효과적으로 모델링할 수 있는가?
• RQ2 제한된 표본 크기에서 고차원 영상 회귀 분석에 있어 저랭크 텐서 분해가 추정 효율성과 예측 정확도를 어떻게 향상시키는가?
• RQ3 텐서 GEE에 통합된 정규화가 알츠하이머병 진행과 관련된 생물학적으로 의미 있는 뇌 영역을 어느 정도 식별할 수 있는가?
• RQ4 작업 상관행렬 구조의 선택(예: AR(1), 등가상관)이 장기적 영상 분석에서 예측 성능에 어떤 영향을 미치는가?
• RQ5 기본 영상 데이터나 벡터화된 영상 특징만을 사용하는 기존 방법보다 텐서 GEE가 향후 인지 기능 저하를 예측하는 데 더 우수한 성능을 보일 수 있는가?

주요 결과

• 제안된 텐서 GEE는 AR(1) 작업 상관행렬과 L1 정규화를 사용하여 기준 시점부터 18개월까지의 데이터를 기반으로 24개월 후의 MMSE 점수를 예측할 때 RMSE 2.270과 상관계수 0.747을 달성했다.
• 가장 뛰어난 예측 성능는 AR(1) 작업 상관행렬과 L1 정규화 조합에서 달성되었으며, 독립성 및 등가상관 구조보다 우수한 성능를 보였다.
• 라소 정규화를 적용한 텐서 GEE는 히포크암프스, 대뇌피질, 측두엽, 편측엽, 전두엽과 같이 알려진 알츠하이머병 병리와 관련된 질병 연관 뇌 영역을 성공적으로 식별하였다.
• 식별된 영역는 알츠하이머병 진행의 알려진 단계와 일치하며, 초기에 히포크암프스 위축이 관찰되고 후기에는 언어, 운동, 감각 영역이 영향을 받는 것으로 나타났다.
• 실제 ADNI 데이터에서 뛰어난 성능를 보였으며, 추가 임상 공변량 없이 T1-가중 MRI만을 사용함에도 불구하고 이전의 다중모달 방법과 유사한 예측 정확도를 달성했다.
• 알고리즘이 데이터 크기에 잘 스케일링되었고, 표준 통계 소프트웨어를 사용해 쉽게 구현 가능하여 신경영상 연구에서의 실용적 응용을 지원한다.