[论文解读] Fast shared response model for fMRI data

Hugo Richard, Lucas Martin+3 more|arXiv (Cornell University)|Sep 27, 2019

Functional Brain Connectivity Studies参考文献 39被引用 5

一句话总结

该论文提出 FastSRM，一种可扩展的算法，通过利用基于图谱的压缩技术，加速并减少功能磁共振成像（fMRI）数据共享响应模型（SRM）分析中的计算与内存消耗。该方法在保持性能相当的前提下，实现比原始 SRM 快 5 倍的计算速度和 20–40 倍的内存降低，使标准硬件上实现大规模 fMRI 分析成为可能，并在观看电影的 fMRI 数据上实现了准确的年龄预测（平均绝对误差 = 7.5 年）。

ABSTRACT

The shared response model provides a simple but effective framework to analyse fMRI data of subjects exposed to naturalistic stimuli. However when the number of subjects or runs is large, fitting the model requires a large amount of memory and computational power, which limits its use in practice. In this work, we introduce the FastSRM algorithm that relies on an intermediate atlas-based representation. It provides considerable speed-up in time and memory usage, hence it allows easy and fast large-scale analysis of naturalistic-stimulus fMRI data. Using four different datasets, we show that our method matches the performance of the original SRM algorithm while being about 5x faster and 20x to 40x more memory efficient. Based on this contribution, we use FastSRM to predict age from movie watching data on the CamCAN sample. Besides delivering accurate predictions (mean absolute error of 7.5 years), FastSRM extracts topographic patterns that are predictive of age, demonstrating that brain activity during free perception reflects age.

研究动机与目标

• 解决在包含大量受试者和扫描会话的大规模 fMRI 数据集上拟合共享响应模型（SRM）时面临的高计算与内存需求问题。
• 利用标准硬件（如笔记本电脑）实现对自然刺激 fMRI 数据的高效、大规模分析。
• 在降低内存与计算资源消耗的同时，保持对 fMRI 信号重建和个体特征预测的高性能。
• 展示 FastSRM 在从自然刺激 fMRI 数据中提取具有生物学意义且能预测年龄的脑活动模式方面的实用性。

提出的方法

• FastSRM 使用现成的图谱（如 MODL、Basc、Shaeffer）将全脑 fMRI 数据压缩为低维表示，再进行 SRM 拟合。
• 在图谱表示的数据上应用 SRM 框架，从而减少每次迭代中需更新的空间成分数量。
• 通过在空间成分上施加正交约束，确保共享响应的可解释性与稳定性。
• 通过避免在每次迭代中更新全脑空间成分，提升内存与计算效率。
• 该算法作为 BrainIAK 库的扩展实现，已开源并发布于 GitHub。
• 支持概率图谱与确定性图谱，性能在多个数据集与图谱类型上进行了评估。

实验结果

研究问题

• RQ1 共享响应模型能否在不产生不可接受的内存或时间成本的前提下，扩展至包含数百名受试者和多个扫描会话的大规模 fMRI 数据集？
• RQ2 基于图谱的压缩策略是否能在显著降低计算需求的同时，保持共享响应模型的准确性？
• RQ3 FastSRM 能否从自然刺激 fMRI 数据中提取出有意义且具有预测性的脑活动模式，例如与个体年龄相关的模式？
• RQ4 与现有 SRM 实现（如 DetSRM 和 ProbSRM）相比，FastSRM 在性能与效率方面表现如何？

主要发现

• FastSRM 相较于 ProbSRM 和 DetSRM，实现 5 倍加速与 20–40 倍内存降低，具体效果取决于所用图谱。
• 该方法保持了高信号重建准确性，在四个数据集（SHERLOCK、RAIDERS、CLIPS、FORREST）中，每个体素的 R² 评分与 ProbSRM 和 DetSRM 相当。
• 使用 FastSRM，研究者可在标准笔记本电脑上对 CamCAN 数据集（647 名受试者）完成完整的共享响应建模，而原始 SRM 因内存限制无法实现此操作。
• 通过 FastSRM，作者基于观看电影的 fMRI 数据实现了 7.5 年的平均绝对误差（MAE）年龄预测，证明了模型的预测能力。
• FastSRM 提取的拓扑模式（如随年龄增长背侧通路活动下降）具有生物学可解释性，并能有效预测个体年龄。
• 图谱的选择对性能仅有微小影响，表明该方法在不同脑部分割方案下均具有鲁棒性。