[论文解读] Tensor Generalized Estimating Equations for Longitudinal Imaging Analysis

Xiang Zhang, Lexin Li+3 more|arXiv (Cornell University)|Dec 20, 2014

Tensor decomposition and applications参考文献 43被引用 8

一句话总结

该论文提出张量广义估计方程（GEE）用于纵向神经影像分析，结合低秩张量分解以处理高维图像预测变量，同时考虑受试者内相关性。该方法可实现对临床结局（如MMSE评分）的准确预测，并有效识别阿尔茨海默病进展中的关键脑区，使用ADNI数据在AR(1)工作相关结构下结合L1正则化，RMSE为2.270，相关系数为0.747。

ABSTRACT

In an increasing number of neuroimaging studies, brain images, which are in the form of multidimensional arrays (tensors), have been collected on multiple subjects at multiple time points. Of scientific interest is to analyze such massive and complex longitudinal images to diagnose neurodegenerative disorders and to identify disease relevant brain regions. In this article, we treat those problems in a unifying regression framework with image predictors, and propose tensor generalized estimating equations (GEE) for longitudinal imaging analysis. The GEE approach takes into account intra-subject correlation of responses, whereas a low rank tensor decomposition of the coefficient array enables effective estimation and prediction with limited sample size. We propose an efficient estimation algorithm, study the asymptotics in both fixed $p$ and diverging $p$ regimes, and also investigate tensor GEE with regularization that is particularly useful for region selection. The efficacy of the proposed tensor GEE is demonstrated on both simulated data and a real data set from the Alzheimer's Disease Neuroimaging Initiative (ADNI).

研究动机与目标

• 解决从多个受试者纵向采集的高维多维脑影像数据的分析挑战。
• 开发统一的回归框架，将图像预测变量建模为张量，同时考虑时间点间的受试者内相关性。
• 通过系数数组的低秩张量分解，在样本量有限的情况下实现有效的估计与预测。
• 通过在张量GEE框架中引入正则化，促进神经退行性疾病中的脑区选择。
• 在阿尔茨海默病神经影像倡议（ADNI）的真实世界数据上展示该方法的有效性。

提出的方法

• 构建广义估计方程（GEE）框架，纳入张量值预测变量，并通过工作相关矩阵考虑受试者内相关性。
• 对系数张量应用低秩Tucker分解，以降低维度并提升样本量有限情况下的估计效率。
• 开发基于交替方向乘数法（ADMM）的高效算法，用于在固定与发散p情形下的参数估计。
• 将L1正则化整合到张量GEE中，实现稀疏估计并识别与疾病相关的脑区。
• 采用迭代估计过程，交替更新系数张量与工作相关结构。
• 通过适当的连接函数，将估计框架扩展以处理连续和离散结果。

实验结果

研究问题

• RQ1 张量GEE能否在考虑受试者内相关性的同时，有效建模纵向MRI图像与临床结局（如MMSE评分）之间的关联？
• RQ2 在样本量有限的高维影像回归中，低秩张量分解在提升估计效率与预测准确性方面有何作用？
• RQ3 张量GEE中的正则化在识别与阿尔茨海默病进展相关联的生物上合理的脑区方面，其效果如何？
• RQ4 工作相关结构的选择（如AR(1)、等相关结构）对纵向影像分析中预测性能有何影响？
• RQ5 与仅使用基线影像数据或向量化图像特征的现有方法相比，张量GEE能否在预测未来认知功能下降方面表现更优？

主要发现

• 在AR(1)工作相关结构下结合L1正则化，所提出的张量GEE在基于基线至18个月数据预测24个月MMSE评分时，RMSE为2.270，相关系数为0.747。
• 最佳预测性能由AR(1)工作相关结构与L1正则化组合实现，优于独立结构与等相关结构。
• Lasso正则化的张量GEE成功识别出与疾病相关的脑区，包括海马体、大脑皮层、颞叶、顶叶和额叶，与已知的AD病理一致。
• 所识别区域与AD进展的已知阶段相符，表现为早期海马体萎缩，后期语言、运动与感觉区域受累。
• 该方法在真实ADNI数据上表现出稳健性能，尽管仅使用T1加权MRI且未引入额外临床协变量，其预测精度与以往多模态方法相当。
• 该算法在数据规模增大时仍保持良好可扩展性，且可通过标准统计软件实现，支持在神经影像研究中的实际应用。