[论文解读] A Constrained, Weighted-L1 Minimization Approach for Joint Discovery of Heterogeneous Neural Connectivity Graphs

Chandan Singh, Beilun Wang+1 more|arXiv (Cornell University)|Sep 13, 2017

Functional Brain Connectivity Studies参考文献 25被引用 6

一句话总结

本文提出W-SIMULE，一种受约束的加权ℓ1多任务图模型，通过整合空间先验和非正态假设，联合估计来自fMRI数据的异质性神经连接图。在ABIDE自闭症数据集上，其分类准确率达到58.6%，并识别出楔前叶、基底神经节、前扣带皮层和内侧前额叶皮层中具有生物学合理性的连接中断。

ABSTRACT

Determining functional brain connectivity is crucial to understanding the brain and neural differences underlying disorders such as autism. Recent studies have used Gaussian graphical models to learn brain connectivity via statistical dependencies across brain regions from neuroimaging. However, previous studies often fail to properly incorporate priors tailored to neuroscience, such as preferring shorter connections. To remedy this problem, the paper here introduces a novel, weighted-$\ell_1$, multi-task graphical model (W-SIMULE). This model elegantly incorporates a flexible prior, along with a parallelizable formulation. Additionally, W-SIMULE extends the often-used Gaussian assumption, leading to considerable performance increases. Here, applications to fMRI data show that W-SIMULE succeeds in determining functional connectivity in terms of (1) log-likelihood, (2) finding edges that differentiate groups, and (3) classifying different groups based on their connectivity, achieving 58.6\% accuracy on the ABIDE dataset. Having established W-SIMULE's effectiveness, it links four key areas to autism, all of which are consistent with the literature. Due to its elegant domain adaptivity, W-SIMULE can be readily applied to various data types to effectively estimate connectivity.

研究动机与目标

• 开发一种稳健且可解释的方法，用于在多个群体（如自闭症与对照组）之间联合估计功能脑连接。
• 将神经科学特定的先验信息——特别是空间距离——融入图模型估计中，以提高生物学合理性。
• 通过使用非正态变换，放宽标准高斯图模型的高斯假设，以克服其局限性。
• 实现高效且可并行计算，适用于大规模fMRI数据集，且在低稀疏度水平下仍具高效性。

提出的方法

• W-SIMULE在多任务图模型框架中采用加权ℓ1正则化项，以促进稀疏性，同时基于解剖距离偏好较短的连接。
• 利用从MNI空间中脑区之间距离导出的灵活先验矩阵W，对长程连接施加更重的惩罚。
• 通过非正态变换放宽高斯假设，提升对非高斯fMRI数据的鲁棒性。
• 优化过程支持按列并行处理，实现跨脑区的高效计算。
• 通过受约束的组正则化ℓ1最小化目标，联合估计每个组的精度矩阵（Ω）。
• 通过调参λ控制稀疏度，使连接组可生成不同密度水平的网络。

实验结果

研究问题

• RQ1 通过整合空间先验，加权ℓ1多任务图模型是否能提升fMRI数据中功能连接估计的性能？
• RQ2 在对数似然、边差异性和分类准确率方面，W-SIMULE在区分自闭症与对照组时表现如何？
• RQ3 在W-SIMULE框架下，哪些脑区在自闭症与对照组之间表现出最显著的连接差异？
• RQ4 通过非正态变换放宽高斯假设，在真实fMRI数据上在多大程度上提升了模型性能？

主要发现

• W-SIMULE在ABIDE fMRI数据集上对自闭症与对照受试者的分类准确率达到58.6%，优于基线方法。
• 与现有图模型相比，该模型显著提升了估计连接组的对数似然值。
• 自闭症中最常受损的连接始终出现在楔前叶、基底神经节、前扣带皮层和内侧前额叶皮层——这些区域此前已被关联至自闭症病理机制。
• W-SIMULE有效实施了空间先验，显著降低了所有稀疏度水平下的平均边长，性能趋近理论最小值。
• 即使在低稀疏度水平下，该方法仍能成功识别出具有组间差异的边，展现出强大的可解释性与敏感性。
• 结果与先前文献一致，验证了W-SIMULE的生物学相关性及其领域适应能力。