[论文解读] Evaluating Graph Signal Processing for Neuroimaging Through Classification and Dimensionality Reduction

Mathilde Ménoret, Nicolas Farrugia+2 more|arXiv (Cornell University)|Mar 6, 2017

Functional Brain Connectivity Studies参考文献 13被引用 6

一句话总结

本文通过结合解剖几何与功能连接性构建图结构，评估图信号处理（GSP）在fMRI数据分析中的应用，以提升分类与降维性能。在结合几何与功能连接性的半局部图上进行图采样，其分类准确率显著高于主成分分析（PCA）、独立成分分析（ICA）与方差分析（ANOVA），尤其在具有挑战性的分类任务中表现更优。

ABSTRACT

Graph Signal Processing (GSP) is a promising framework to analyze multi-dimensional neuroimaging datasets, while taking into account both the spatial and functional dependencies between brain signals. In the present work, we apply dimensionality reduction techniques based on graph representations of the brain to decode brain activity from real and simulated fMRI datasets. We introduce seven graphs obtained from a) geometric structure and/or b) functional connectivity between brain areas at rest, and compare them when performing dimension reduction for classification. We show that mixed graphs using both a) and b) offer the best performance. We also show that graph sampling methods perform better than classical dimension reduction including Principal Component Analysis (PCA) and Independent Component Analysis (ICA).

研究动机与目标

• 评估图信号处理（GSP）是否能提升神经影像数据的分类与降维性能。
• 探究基于解剖几何、功能连接性或两者结合的图结构构建方式对分类性能的影响。
• 将基于GSP的降维方法（图采样与K-best选择）与PCA、ICA等标准方法进行比较。
• 确定图傅里叶变换中的低频或高频分量在脑活动分类中更具判别性。
• 识别用于从fMRI信号解码脑状态的最优图类型与降维技术。

提出的方法

• 基于静息态fMRI数据中解剖几何与功能连接性的组合，构建了七个不同的图结构。
• 应用图傅里叶变换（GFT），基于图拉普拉斯矩阵的特征向量将fMRI信号分解为频谱分量。
• 通过图采样（选择特定频带中能量最高的顶点）与统计方法选择前K个分量实现降维。
• 以分类准确率为评估指标，将基于GSP的降维方法与PCA、ICA、ANOVA进行比较。
• 使用模拟fMRI数据与开源Haxby数据集，在简单与困难的分类任务中进行评估。
• 在不同频带（低频与高频）上评估性能，以确定哪些频谱分量携带判别性信息。

实验结果

研究问题

• RQ1 基于几何、功能连接性或两者结合的图结构构建方式，如何影响fMRI数据中的分类准确率？
• RQ2 在神经影像分类任务中，图采样是否优于PCA与ICA用于降维？
• RQ3 图傅里叶变换中的低频或高频分量，哪一类对区分脑状态更具信息量？
• RQ4 在图构建中结合解剖与功能连接性，是否比单独使用任一方式获得更优的分类性能？
• RQ5 基于GSP的方法是否能在解码脑活动方面超越传统多变量分析技术（如ANOVA）？

主要发现

• 结合了解剖几何与功能连接性的半局部图，在模拟数据的困难组中实现了最高的分类准确率（90.9%）。
• 在困难分类组中，半局部图上的图采样显著优于PCA（p < 0.001）、ICA（p < 0.001）与ANOVA（p < 0.001）。
• 在Haxby数据集中，图采样取得了最佳分类结果（Face-House为88.2%，Cat-Face为69.0%），但差异未达统计显著性。
• 对于大多数图类型，高频分量比低频分量更具判别性，但Kalofolias图例外，其低频分量占主导，这是由于固有的平滑性约束。
• 在半局部图上使用图采样时，困难组的最优分量数量为30，简单组为50。
• 半局部图的优越性能表明，整合空间结构与功能脑网络结构可增强分类任务中的信号表征能力。