[论文解读] Sparse multiway decomposition for analysis and modeling of diffusion imaging and tractography

César F. Caiafa, Franco Pestilli|arXiv (Cornell University)|May 27, 2015

Advanced Neuroimaging Techniques and Applications参考文献 47被引用 7

一句话总结

本文提出稀疏多路张量分解以压缩和加速扩散磁共振成像（dMRI）和纤维束成像中的线性模型，实现对白质连接组更快速、内存高效的分析。将该方法应用于LiFE方法时，其在保持与完整模型相当精度的同时，将内存和计算成本降低了数个数量级。

ABSTRACT

The number of neuroimaging data sets publicly available is growing at fast rate. The increase in availability and resolution of neuroimaging data requires modern approaches to signal processing for data analysis and results validation. We introduce the application of sparse multiway decomposition methods (Caiafa and Cichocki, 2012) to linearized neuroimaging models. We show that decomposed models are more compact but as accurate as full models and can be successfully used for fast data analysis. We focus as example on a recent model for the evaluation of white matter connectomes (Pestilli et al, 2014). We show that the multiway decomposed model achieves accuracy comparable to the full model, while requiring only a small fraction of the memory and compute time. The approach has implications for a majority of neuroimaging methods using linear approximations to measured signals.

研究动机与目标

• 解决连接组学中高分辨率神经影像数据日益增长的计算和存储负担。
• 在不损失精度的前提下，提升纤维束成像评估中所用线性模型（如LiFE）的效率。
• 通过压缩张量表示，实现在个体和群体水平上对大脑连接组进行大规模、高分辨率的分析。
• 为将多路分解应用于任意线性化神经影像模型提供一个可推广的框架。

提出的方法

• 将稀疏多路张量分解（Caiafa & Cichocki, 2012）应用于纤维束成像中扩散信号预测的线性模型分解。
• 将扩散信号预测模型表示为三维张量（纤维束 × 体素 × 梯度方向），然后对其进行分解为稀疏成分。
• 采用类似Tucker的分解方式，将模型分解为核心张量，以及纤维束、体素和梯度方向的因子矩阵。
• 利用分解中的稀疏性，在模型拟合和推理过程中显著降低内存和计算负载。
• 通过两种优化算法实现高效计算：M_times_w用于前向计算，Mtransp_times_y用于梯度计算，两者均支持并行化。
• 通过分解表示保持纤维束权重与预测扩散信号之间的线性关系，从而保留模型精度。

实验结果

研究问题

• RQ1 稀疏多路分解是否能在不降低预测精度的前提下，显著减少线性纤维束成像模型的内存和计算成本？
• RQ2 张量分解在多大程度上可压缩LiFE模型用于连接组评估，同时保持其预测性能？
• RQ3 在扩散磁共振成像研究中，随着数据规模和分辨率的增加，该分解模型的可扩展性如何？
• RQ4 所提出的框架是否可推广至纤维束成像之外的其他线性化神经影像模型？

主要发现

• 稀疏多路分解在保持与原始LiFE模型相当的预测精度的同时，将内存和计算需求降低到完整模型的极小部分。
• 分解后的模型在预测扩散信号方面的均方根误差（r.m.s.）与完整模型相当，表明其在纤维束成像评估中具有等效性能。
• 该方法通过利用稀疏性和高效的张量运算，显著加快了高分辨率扩散磁共振成像数据的分析速度，使大规模连接组研究成为可能。
• 计算算法易于并行化，进一步加速了在高性能计算系统上的模型推理与训练。
• 该框架具有通用性，可适用于任意线性化神经影像模型，为连接组学和精准医学中的大数据提供了可扩展的解决方案。