A Generative Self-Supervised Framework using Functional Connectivity in fMRI Data

要約

機能的磁気共鳴画像(fMRI)データから抽出された機能的結合性(FC)ネットワークで訓練されたディープニューラルネットワークは、データの利用可能性の増加とグラフニューラルネットワーク(GNN)を含むモデルアーキテクチャの進歩により人気を博している。GNNのFCへの応用に関する最近の研究では、FCの時変特性を利用することで、モデル予測の精度と解釈可能性が大幅に向上することが示唆されている。しかし、高品質なfMRIデータとそれに対応する表現型ラベルを取得するためのコストが高いため、実世界での応用にはハードルが高く、教師あり方式で学習されたモデルは、少数のデータでは不十分な性能や汎化不足に悩まされる可能性がある。加えて、これまでのGNNの自己教師あり学習（SSL）アプローチのほとんどは、グラフ構造に摂動が加わったときに適切な意味情報を失いがちであったり、空間情報と時間情報の両方を同時に活用できなかったりする、対照的な戦略を採用している。このような課題を踏まえ、我々は動的FC内の時空間情報を効果的に利用するように調整された生成的SSLアプローチを提案する。大規模(>50,000)なfMRIデータセットを用いて実験した我々の実証結果は、我々のアプローチが価値ある表現を学習し、下流のタスクに合わせて微調整することで、正確で頑健なモデルを構築できることを示している。

要約(オリジナル)

Deep neural networks trained on Functional Connectivity (FC) networks extracted from functional Magnetic Resonance Imaging (fMRI) data have gained popularity due to the increasing availability of data and advances in model architectures, including Graph Neural Network (GNN). Recent research on the application of GNN to FC suggests that exploiting the time-varying properties of the FC could significantly improve the accuracy and interpretability of the model prediction. However, the high cost of acquiring high-quality fMRI data and corresponding phenotypic labels poses a hurdle to their application in real-world settings, such that a model na\’ively trained in a supervised fashion can suffer from insufficient performance or a lack of generalization on a small number of data. In addition, most Self-Supervised Learning (SSL) approaches for GNNs to date adopt a contrastive strategy, which tends to lose appropriate semantic information when the graph structure is perturbed or does not leverage both spatial and temporal information simultaneously. In light of these challenges, we propose a generative SSL approach that is tailored to effectively harness spatio-temporal information within dynamic FC. Our empirical results, experimented with large-scale (>50,000) fMRI datasets, demonstrate that our approach learns valuable representations and enables the construction of accurate and robust models when fine-tuned for downstream tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL