[论文解读] DreaMR: Diffusion-driven Counterfactual Explanation for Functional MRI

Hasan A. Bedel, Tolga Çukur|arXiv (Cornell University)|Jul 18, 2023

Advanced Neuroimaging Techniques and Applications被引用 4

一句话总结

DreaMR 是一种新颖的基于扩散的反事实解释方法，专为功能磁共振成像（fMRI）设计，通过利用分数阶多阶段蒸馏扩散先验和基于 Transformer 的架构来建模长程时空依赖性，生成高保真度、高可信度的反事实 fMRI 样本。与最先进的 fMRI 解释方法相比，DreaMR 在特异性、保真度和采样效率方面表现更优，从而实现了更可靠、可解释的深度学习脑部响应分析。

ABSTRACT

Deep learning analyses have offered sensitivity leaps in detection of cognitive states from functional MRI (fMRI) measurements across the brain. Yet, as deep models perform hierarchical nonlinear transformations on their input, interpreting the association between brain responses and cognitive states is challenging. Among common explanation approaches for deep fMRI classifiers, attribution methods show poor specificity and perturbation methods show limited plausibility. While counterfactual generation promises to address these limitations, previous methods use variational or adversarial priors that yield suboptimal sample fidelity. Here, we introduce the first diffusion-driven counterfactual method, DreaMR, to enable fMRI interpretation with high specificity, plausibility and fidelity. DreaMR performs diffusion-based resampling of an input fMRI sample to alter the decision of a downstream classifier, and then computes the minimal difference between the original and counterfactual samples for explanation. Unlike conventional diffusion methods, DreaMR leverages a novel fractional multi-phase-distilled diffusion prior to improve sampling efficiency without compromising fidelity, and it employs a transformer architecture to account for long-range spatiotemporal context in fMRI scans. Comprehensive experiments on neuroimaging datasets demonstrate the superior specificity, fidelity and efficiency of DreaMR in sample generation over state-of-the-art counterfactual methods for fMRI interpretation.

研究动机与目标

• 为解决深度学习模型在 fMRI 中的解释难题，通过生成在最小扰动下仍高度可信的反事实样本。
• 克服现有反事实方法依赖变分或对抗性先验所导致的保真度低或样本不稳定的问题。
• 通过引入新型分数阶多阶段蒸馏扩散先验（FMD），提升 fMRI 反事实生成的采样效率与保真度。
• 通过结合基于扩散的生成方法与分类器引导机制，以及对时空上下文的 Transformer 建模，实现对深度 fMRI 分类器的高特异性、高可信度解释。
• 建立一种模型无关的框架，可适用于多种深度学习架构，并可扩展至未来的多模态或回归型 fMRI 模型。

提出的方法

• DreaMR 采用扩散过程，从对输入 fMRI 样本的前向扩散开始，逐步添加噪声，经过多个时间步。
• 其采用一种新型分数阶多阶段蒸馏（FMD）扩散先验，将扩散过程划分为 F 个均匀的分数阶段，每个阶段配备独立的去噪网络，从而实现高效且高保真度的逆向采样。
• 在每个阶段末尾注入分类器引导，利用下游分类器的条件得分来反转预测的认知状态。
• 将 Transformer 编码器集成到扩散模型中，以捕捉 fMRI 数据中脑区与时间点之间的长程时空依赖性。
• 通过最小化原始样本与生成样本之间的 L2 差异，同时确保分类器决策发生改变，来生成反事实样本。
• FMD 先验通过从多个阶段蒸馏知识，显著减少所需逆向步骤数，从而提升采样速度，同时不损失样本质量。

实验结果

研究问题

• RQ1 基于扩散的生成先验是否能生成比变分或对抗性先验更高保真度和更高可信度的反事实 fMRI 样本？
• RQ2 如何在不牺牲样本质量的前提下，提升高维 fMRI 数据中基于扩散的反事实生成的采样效率？
• RQ3 引入 Transformer 架构在建模 fMRI 反事实中长程时空依赖性方面，其增强效果有多大？
• RQ4 所提出的分数阶多阶段蒸馏策略如何影响 fMRI 反事实生成中采样速度与生成保真度之间的权衡？
• RQ5 与基于梯度归因或扰动的方法相比，该方法是否能在解释深度 fMRI 分类中实现更优的特异性和可信度？

主要发现

• DreaMR 在 fMRI 反事实生成中取得了 38.7 ± 1.9 的接近度分数、10.6 ± 0.8 的特异性分数和 21.5 ± 0.4 的 FID 分数，优于消融变体和当前最先进方法。
• 移除 Transformer 组件后，接近度分数上升至 47.5 ± 2.3，特异性提升至 14.0 ± 0.9，表明其在建模时空上下文方面具有关键作用。
• 省略 Langevin 采样后，接近度分数为 44.7 ± 2.1，特异性为 13.0 ± 0.8，表明随机采样可提升生成质量。
• 多阶段蒸馏策略显著提升了性能，其中 F=4 且 P=7 时取得最佳 FID（21.5 ± 0.4）；进一步增加分数阶段至 8 以上则收益递减。
• 当 F=8 且 P=7 时，FMD 先验达到最低 FID（21.5 ± 0.4），证实分数阶蒸馏可有效提升采样效率与生成保真度。
• 与所有消融模型相比，DreaMR 在所有指标上均表现更优，验证了所有组件对实现 fMRI 中最优反事实解释的必要性。