[论文解读] A Convolutional Autoencoder for Multi-Subject fMRI Data Aggregation

Po-Hsuan Chen, Xia Zhu+6 more|arXiv (Cornell University)|Aug 17, 2016

Functional Brain Connectivity Studies参考文献 13被引用 22

一句话总结

本文提出一种多视角卷积自编码器（CAE），用于多被试fMRI数据聚合，通过结合搜索窗分析与共享响应建模，保留空间局部性。与标准因子模型不同，该CAE通过卷积滤波器保持局部空间结构，在分类刺激神经反应方面，性能优于或媲美标准搜索窗和共享响应模型（SRM）方法。

ABSTRACT

Finding the most effective way to aggregate multi-subject fMRI data is a long-standing and challenging problem. It is of increasing interest in contemporary fMRI studies of human cognition due to the scarcity of data per subject and the variability of brain anatomy and functional response across subjects. Recent work on latent factor models shows promising results in this task but this approach does not preserve spatial locality in the brain. We examine two ways to combine the ideas of a factor model and a searchlight based analysis to aggregate multi-subject fMRI data while preserving spatial locality. We first do this directly by combining a recent factor method known as a shared response model with searchlight analysis. Then we design a multi-view convolutional autoencoder for the same task. Both approaches preserve spatial locality and have competitive or better performance compared with standard searchlight analysis and the shared response model applied across the whole brain. We also report a system design to handle the computational challenge of training the convolutional autoencoder.

研究动机与目标

• 为解决在保留空间局部性以提升功能可解释性的前提下，聚合多被试fMRI数据的挑战。
• 克服SRM等因子模型的局限性，这些模型通过跨体素聚合导致空间分辨率下降。
• 通过多视角卷积自编码器，将基于搜索窗的局部分析与深度学习相结合。
• 设计可扩展的系统架构，以实现对大规模fMRI数据集的CAE训练。
• 在真实fMRI数据集上，将CAE与标准搜索窗和SRM方法进行基准对比。

提出的方法

• 提出一种多视角卷积自编码器（CAE），利用共享的空间局部卷积滤波器处理来自多个被试的fMRI数据。
• 通过平均各被试特定的编码表示计算共享特征图S，实现对被试间差异的联合建模。
• 采用L2重构损失最小化原始与重构fMRI数据之间的差异，并通过KL散度对共享特征图施加稀疏正则化。
• 使用ReLU和tanh激活函数，并通过Dropout进行正则化，超参数通过交叉验证调优。
• 通过将全连接层替换为卷积层，实现空间局部性，使每个体素周围具有局部感受野。
• 设计分布式训练系统，以应对在全脑fMRI数据上训练CAE的计算复杂性。

实验结果

研究问题

• RQ1 卷积自编码器是否能在保留或提升分类性能的前提下，于多被试fMRI数据聚合中保持空间局部性？
• RQ2 所提出的CAE在分类神经反应到刺激时，性能与标准搜索窗分析和共享响应模型（SRM）相比如何？
• RQ3 滤波器数量、稀疏性及正则化强度等超参数在多大程度上影响CAE在fMRI数据上的性能？
• RQ4 CAE能否在不牺牲空间分辨率的前提下，有效学习被试间的共享功能表征？
• RQ5 将基于搜索窗的局部分析与深度自编码器结合，是否能相比全局因子模型带来更好的脑功能可解释性？

主要发现

• 多视角卷积自编码器（CAE）在分类听觉刺激的时间段方面，性能与标准搜索窗分析和共享响应模型（SRM）相比具有竞争力或更优。
• 在两个数据集上，CAE在9-TR时间段分类任务中优于SRM，准确率提升达0.005–0.015不等。
• 第一卷积层的滤波器数量（k1）对性能有显著影响，最优准确率出现在k1 = 20时。
• 模型对稀疏性超参数（ρ）和正则化强度（λ）的变化具有相对鲁棒性，性能在一定取值范围内保持稳定。
• CAE通过使用局部卷积滤波器保持了空间局部性，相比全局因子模型，能提供更具可解释性的局部脑功能推断。
• 系统设计成功应对了全脑fMRI数据训练的计算需求，实现了在大规模数据集上的可扩展应用。