[论文解读] Speeding up Permutation Testing in Neuroimaging

Chris Hinrichs, Vamsi Krishna Ithapu+3 more|arXiv (Cornell University)|Feb 12, 2015

Statistical Methods in Clinical Trials参考文献 4被引用 7

一句话总结

本文提出一种基于矩阵补全的方法，通过利用置换矩阵的低秩结构，加速神经影像学中的置换检验。通过仅采样0.5%的条目并使用鲁棒矩阵补全，该方法在保持家族错误率（FWER）估计和临界阈值高精度的同时，实现了50倍的加速。

ABSTRACT

Multiple hypothesis testing is a significant problem in nearly all neuroimaging studies. In order to correct for this phenomena, we require a reliable estimate of the Family-Wise Error Rate (FWER). The well known Bonferroni correction method, while simple to implement, is quite conservative, and can substantially under-power a study because it ignores dependencies between test statistics. Permutation testing, on the other hand, is an exact, non-parametric method of estimating the FWER for a given $α$-threshold, but for acceptably low thresholds the computational burden can be prohibitive. In this paper, we show that permutation testing in fact amounts to populating the columns of a very large matrix ${\bf P}$. By analyzing the spectrum of this matrix, under certain conditions, we see that ${\bf P}$ has a low-rank plus a low-variance residual decomposition which makes it suitable for highly sub--sampled --- on the order of $0.5\%$ --- matrix completion methods. Based on this observation, we propose a novel permutation testing methodology which offers a large speedup, without sacrificing the fidelity of the estimated FWER. Our evaluations on four different neuroimaging datasets show that a computational speedup factor of roughly $50 imes$ can be achieved while recovering the FWER distribution up to very high accuracy. Further, we show that the estimated $α$-threshold is also recovered faithfully, and is stable.

研究动机与目标

• 解决由于体素水平假设检验数量庞大而导致的神经影像学置换检验计算不可行问题。
• 克服Bonferroni等保守校正方法忽略检验统计量之间依赖关系的局限性。
• 开发一种可扩展的非参数方法，以高保真度和降低计算成本来估计家族错误率（FWER）。
• 通过置换检验实现更快、更强的检测能力，用于神经退行性疾病研究中微弱治疗效应的识别。

提出的方法

• 将置换检验建模为填充一个大型矩阵P，其中每一列代表在体素上排列的检验统计量图。
• 识别出在特定条件下，矩阵P具有低秩加低方差残差的结构。
• 通过子采样（低至0.3–0.5%）仅从P中选择少量条目以减少计算量。
• 使用鲁棒矩阵补全（如GRASTA）从子采样条目中重建完整矩阵。
• 从补全的矩阵中估计最大统计量的分布，以确定FWER校正后的临界阈值。
• 使用四个具有不同数据特征和信噪比的真实神经影像学数据集验证该方法。

实验结果

研究问题

• RQ1 是否能在不牺牲统计精度的前提下，显著降低神经影像学置换检验的计算负担？
• RQ2 置换矩阵是否表现出低秩结构，从而允许在极低采样率下实现高精度的矩阵补全？
• RQ3 在不同神经影像学数据集中，矩阵补全在多大程度上能恢复最大检验统计量的真实零分布？
• RQ4 与完整置换检验相比，使用子采样矩阵补全估计的α临界阈值在稳定性和准确性方面表现如何？
• RQ5 何种采样率足以在实现显著加速的同时，保持FWER估计的高保真度？

主要发现

• 在四个神经影像学数据集中，该方法实现了约50倍的中位数计算加速，采样率为0.4%时，加速范围在45.1×至56.4×之间。
• 估计的FWER分布与真实分布非常接近，95%置信水平下最大阈值的平均绝对误差低于0.16。
• 在0.5%采样率下，该方法对临界阈值（α = 0.05）的恢复误差最大仅为0.13，表现出高保真度和稳定性。
• 即使在零分布的尾部，该方法仍保持高精度，α = 0.995时误差低于0.25，尽管在极高置信水平下观察到轻微噪声。
• 与朴素子采样相比，矩阵补全表现更优，表现为真实与估计零分布之间的Kullback-Leibler距离和Battacharyya距离更低。
• 该方法在多种数据集（包括结构MRI和功能影像数据）中均表现稳健，表明其在神经影像学中具有广泛适用性。