Optimizing contrastive learning for cortical folding pattern detection

要約

人間の大脳皮質には脳回や溝と呼ばれる凹凸がたくさんあります。
主要な皮質のひだには個体間で高い一貫性がありますが、ひだパターンの正確な形状と詳細を調べるとそうではありません。
この複雑さのため、皮質の折り畳みの変動を特徴づけ、それらを被験者の行動特性や病理に関連付けるのは、依然として未解決の科学的問題です。
古典的なアプローチには、幾何学的距離に基づいて手動または半自動でいくつかの特定のパターンにラベルを付けることが含まれますが、最近では数万の被験者の MRI 画像データセットが利用可能になったため、最新のディープラーニング技術が特に魅力的になっています。
ここでは、帯状領域の折り畳みパターンを検出するための自己教師あり深層学習モデルを構築します。
私たちは、ひだの形状を捕捉するトポロジカル オブジェクトである皮質骨格に対するトポロジベースの拡張を使用して、Human Connectome Project (1101 人の被験者) と UKBioBank (21070 人の被験者) の両方のデータセットで対照的自己教師ありモデル (SimCLR) をトレーニングします。
SimCLR のいくつかのバックボーン アーキテクチャ (畳み込みネットワーク、DenseNet、PointNet) を調査します。
評価とテストのために、統合失調症の特徴に関連する帯状領域の「二重平行」折り畳みパターンの存在について手動でラベル付けされたデータベースに対して線形分類タスクを実行します。
0.76 のテスト AUC を与える最良のモデルは、6 層、10 次元の潜在空間、線形射影ヘッドを備え、ブランチクリッピング拡張を使用した畳み込みネットワークです。
自己教師あり深層学習モデルがこれほど大規模なデータセット上の皮質骨格に適用され、定量的に評価されたのはこれが初めてです。
私たちは現在、次のステップとして、これを他の脳領域に適用して他のバイオマーカーを検出することを構想しています。

要約(オリジナル)

The human cerebral cortex has many bumps and grooves called gyri and sulci. Even though there is a high inter-individual consistency for the main cortical folds, this is not the case when we examine the exact shapes and details of the folding patterns. Because of this complexity, characterizing the cortical folding variability and relating them to subjects’ behavioral characteristics or pathologies is still an open scientific problem. Classical approaches include labeling a few specific patterns, either manually or semi-automatically, based on geometric distances, but the recent availability of MRI image datasets of tens of thousands of subjects makes modern deep-learning techniques particularly attractive. Here, we build a self-supervised deep-learning model to detect folding patterns in the cingulate region. We train a contrastive self-supervised model (SimCLR) on both Human Connectome Project (1101 subjects) and UKBioBank (21070 subjects) datasets with topological-based augmentations on the cortical skeletons, which are topological objects that capture the shape of the folds. We explore several backbone architectures (convolutional network, DenseNet, and PointNet) for the SimCLR. For evaluation and testing, we perform a linear classification task on a database manually labeled for the presence of the ‘double-parallel’ folding pattern in the cingulate region, which is related to schizophrenia characteristics. The best model, giving a test AUC of 0.76, is a convolutional network with 6 layers, a 10-dimensional latent space, a linear projection head, and using the branch-clipping augmentation. This is the first time that a self-supervised deep learning model has been applied to cortical skeletons on such a large dataset and quantitatively evaluated. We can now envisage the next step: applying it to other brain regions to detect other biomarkers.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google