fMRIデータに対する構造ドメインのニューラルネットワークの適用について
Giovanni Donghi1, Luca Pasa1, Michele De Filippo De Grazia2
1Department of Mathematics - University of Padua, Padova, Italy.
まとめ
ディープニューラルネットワークは,機能的磁気共鳴画像 (fMRI) データから脳活動を分析できます. タイムダイナミクスにのみ焦点を当てたモデルは 自閉症の分類や脳指紋のようなタスクに 空間的な機能や組み合わせを用いたモデルを上回ります
科学分野:
- 神経科学
- 機械学習
- データサイエンス
背景:
- 機能的磁気共鳴画像 (fMRI) は空間時間的な脳活動マップを生成します
- fMRIデータから詳細な情報を抽出することは 複雑な時間動態のため 困難です
- ディープニューラルネットワークは 大規模で構造化された fMRI データセットを分析する可能性を秘めています
研究 の 目的:
- fMRI分析におけるディープラーニングモデルの性能と解釈性に時間的および空間的な特徴の処理がどのように影響を与えるかを調査する.
- 時間的,空間的,または結合された空間-時間の特徴に偏ったニューラルネットワークアーキテクチャを比較する.
- 強力なコネクトーム指紋のための対照的な学習アプローチを開発し,評価する.
主な方法:
- fMRIデータセット (ヒューマン・コネクトーム・プロジェクト,ABIDE) の異なるアーキテクチャバイアス (時間的,空間的,空間時間的) のニューラルネットワークモデルの比較.
- 長期短期記憶 (LSTM) ネットワークを時間分析のために利用した.
- コネクトームの指紋検出のための対比的な学習フレームワークを導入しました.
主要な成果:
- タイムダイナミクスを強調したモデル (LSTMなど) は,空間的または空間-時間的なハイブリッドモデルを上回った.
- 空間的・時間的特性を活用した既存の方法は競争力が弱かった.
- 提案された対照的な学習方法は,トレーニング中に完全なデータセットにアクセスすることなく,効果的なコネクトームの指紋を可能にしました.
結論:
- 時間の特徴の抽出は,ディープラーニングを用いた高性能fMRI分析に不可欠です.
- 複雑な時空モデルやグラフモデリングのアプローチは,必ずしもパフォーマンスを向上させず,不必要な複雑さを加える可能性があります.
- 将来の研究は,fMRIデータ分析のためのディープラーニングモデルのタイムダイナミクスを優先すべきである.
