[论文解读] Recurrent Neural Networks for Spatiotemporal Dynamics of Intrinsic Networks from fMRI Data

Devon Hjelm, Sergey Plis+1 more|arXiv (Cornell University)|Nov 3, 2016

Functional Brain Connectivity Studies参考文献 5被引用 5

一句话总结

该论文提出了一种新颖的RNN-ICA模型，将循环神经网络与独立成分分析相结合，以从fMRI数据中捕捉内在脑网络的时间动态特性与个体特异性空间变异。通过梯度下降进行训练，该模型克服了ICA在处理有序时间数据方面的局限性，实现了动态空间图与时间模式的联合学习。

ABSTRACT

Functional magnetic resonance imaging (fMRI) of temporally-coherent blood oxygenization level-dependent (BOLD) signal provides an effective means of analyzing functionally coherent patterns in the brain. Intrinsic networks and functional connectivity are important outcomes of fMRI studies and are central to understanding brain function and making diagnoses. The most popular method for separating INs, independent component analysis, begins with the assumption that the data is a mixture of maximally independent sources. ICA is trainable through one of many relatively simple optimization routines that maximize non-Gaussianity or minimize mutual information. Although fMRI data is a time series, ICA, as with other popular linear methods for separating INs, is order-agnostic in time: each multivariate signal at each time step is treated as i.i.d.. ICA in its common use in the field employs the same parameterization across subjects, which allows for either temporal or spatial variability, but not both. In order to overcome shortcomings of temporal ICA in lack of dynamics and subject-wise/temporal variability of spatial maps, but without abandoning the fundamental strengths of ICA, we combine recurrent neural networks (RNNs) with an ICA objective. The resulting model naturally represents temporal and spatial dynamics---having subject-wise and temporally variable spatial maps---and is easily trainable using gradient descent and back-propagation.

研究动机与目标

• 解决传统ICA在fMRI分析中的局限性，即把时间序列视为i.i.d.数据，忽略时间动态特性。
• 克服标准ICA无法同时建模个体特异性与时间可变空间图的缺陷。
• 在保持ICA优势（如统计独立性与可解释性）的同时，增强其动态建模能力。
• 开发一种可训练的端到端框架，通过梯度下降联合优化空间图与时间动态特性。

提出的方法

• 将循环神经网络（RNNs）与ICA目标函数相结合，以在保留成分统计独立性的同时建模有序时间的fMRI数据。
• 利用RNNs通过编码时间点间BOLD信号的时间依赖性，学习时间可变的空间图。
• 使用时间反向传播与随机梯度下降训练模型，以优化ICA目标（例如，最大化非高斯性或最小化互信息）。
• 允许空间图的个体特异性参数化，同时在不同受试者间保持共享的时间动态特性。
• 将目标函数公式化为可微分函数，结合ICA原理与基于RNN的时间建模。
• 确保模型为端到端可训练，避免传统ICA中常见的固定、顺序无关的预处理步骤。

实验结果

研究问题

• RQ1 基于RNN的模型能否在保留ICA统计独立性原则的同时，有效捕捉fMRI数据中内在脑网络的时间可变空间图？
• RQ2 与标准ICA相比，所提出的RNN-ICA模型在建模时间动态特性与个体特异性变异方面表现如何？
• RQ3 与静态ICA相比，基于梯度的RNN-ICA模型训练在多大程度上提升了时空脑网络动态的表征能力？
• RQ4 将RNN与ICA结合是否能够在不牺牲可解释性的前提下，实现时间可变空间图与时间模式的联合学习？

主要发现

• RNN-ICA模型成功捕捉了反映个体特异性与动态功能组织的时变空间图。
• 由于其固有的序列建模能力，该模型在表征时间动态特性方面优于标准ICA。
• 梯度下降训练实现了空间与时间分量的端到端优化，避免了固定、顺序无关ICA的局限性。
• 该模型在保持ICA可解释性的同时，扩展了其在动态、个体特异性脑网络分析中的适用性。