Riassunto Tecnico: Apprendimento di Dizionari di Attivazioni fMRI attraverso Geometrie Individuali tramite Trasporto Ottimale

Enunciato del Problema

I dati di risonanza magnetica funzionale (fMRI) sono ad alta dimensionalità, rumorosi e intrinsecamente specifici per il soggetto. Una sfida centrale nell'analisi fMRI multi-soggetto è la sostanziale variabilità nell'anatomia cerebrale e nell'organizzazione funzionale tra gli individui. Gli approcci standard affrontano questo problema proiettando tutti i soggetti su un template anatomico comune (ad esempio, fsaverage). Sebbene pratico, questo processo di registrazione scarta informazioni strutturali specifiche del soggetto, si basa su corrispondenze imperfette e può distorcere l'organizzazione cerebrale individuale.

I metodi esistenti di apprendimento del dizionario per fMRI assumono che i segnali siano registrati su una geometria comune. Sebbene l'Apprendimento di Dizionari su Grafi (GDL) che utilizza la distanza Fused Gromov-Wasserstein (FGW) offra un quadro per confrontare grafi con geometrie diverse, la sua applicazione a dati di neuroimmagine su larga scala è attualmente non fattibile. Il costo computazionale della risoluzione del problema di ottimizzazione FGW scala cubicamente (o quarticamente, a seconda della variante della perdita) con il numero di nodi, limitando le precedenti applicazioni GDL a grafi piccoli con solo decine di nodi, mentre i grafi fMRI contengono tipicamente migliaia di nodi.

Metodologia

Gli autori propongono l'Apprendimento di Dizionari su Grafi Ammortizzato (AGDL), un nuovo quadro progettato per apprendere rappresentazioni di dizionario interpretabili direttamente dalle geometrie dei singoli soggetti senza proiettarle su un template comune. Il metodo integra tre componenti fondamentali:

1. Ottimizzazione Ammortizzata per l'Approssimazione FGW

Per superare il costo computazionale proibitivo del calcolo esatto della distanza FGW, gli autori impiegano un'ottimizzazione ammortizzata. Utilizzano una rete neurale pre-addestrata basata sull'architettura Unsupervised Learning of Optimal Transport (ULOT).

• Addestramento: Il modello ULOT viene addestrato su coppie di grafi campionati dal dataset per prevedere il piano di trasporto ottimale $P^\alpha_\theta(G_1, G_2)$ che minimizza la perdita FGW. L'addestramento utilizza la perdita Fused Unbalanced Gromov-Wasserstein (FUGW) come rilassamento per incoraggiare i vincoli marginali senza richiedere corrispondenze di verità fondamentale.
• Inferenza: Una volta addestrato, il modello prevede i piani di trasporto tramite un semplice passaggio in avanti con complessità $O(n_1 n_2)$, consentendo l'applicazione di metodi basati su FGW a grafi grandi (circa 1000 nodi).

2. Apprendimento del Dizionario con Geometria dell'Atomo Fissa

Il metodo apprende un dizionario di atomi $(F^D_k, C^D_k)$ in cui la componente strutturale $C$ (che rappresenta la geometria del grafo) è fissata a una geometria comune (ad esempio, il template fsaverage) per garantire interpretabilità e confrontabilità tra i soggetti. La componente di caratteristica $F^D_k$ viene appresa.

• Ricostruzione: Il grafo di ciascun soggetto $G_i$ viene ricostruito come una combinazione lineare di atomi del dizionario: $(\sum \omega_k F^D_k, \sum \omega_k C^D_k)$.
• Funzione di Perdita: L'errore di ricostruzione è calcolato utilizzando la distanza FGW tra il grafo nativo del soggetto e il grafo ricostruito, sfruttando il piano di trasporto previsto dal modello ULOT ammortizzato. Ciò consente al modello di tenere conto della variabilità geometrica individuale attraverso il piano di trasporto, mantenendo al contempo una struttura di dizionario comune.

3. Apprendimento del Dizionario Condizionato da $\alpha$

La distanza FGW include un parametro di compromesso $\alpha \in [0, 1]$ che bilancia l'allineamento delle caratteristiche (termine di Wasserstein) e l'allineamento strutturale (termine di Gromov-Wasserstein). Invece di riaddestrare il dizionario per ogni $\alpha$, gli autori propongono di apprendere dizionari che dipendono esplicitamente da $\alpha$:

• Interpolazione Lineare: Un modello semplice in cui gli atomi del dizionario sono un'interpolazione lineare tra due atomi terminali: $F^D = \alpha F^D_0 + (1-\alpha)F^D_1$.
• Modello basato su MLP: Un modello più espressivo che utilizza un Perceptron Multistrato (MLP) che prende in input una codifica soft-binned di $\alpha$ per produrre gli atomi del dizionario. Ciò consente al dizionario di evolvere fluidamente con $\alpha$, catturando diversi livelli di variabilità geometrica senza sovraccarico computazionale per la selezione dei parametri a valle.

Contributi Chiave

1. Apprendimento di Dizionari FGW Scalabile: Il documento introduce AGDL, il primo metodo ad applicare l'apprendimento di dizionari basato su FGW a dati fMRI su larga scala (migliaia di nodi) sfruttando l'ottimizzazione ammortizzata per approssimare i piani di trasporto.
2. Apprendimento della Geometria Nativa: A differenza delle pipeline standard che proiettano i dati su un template comune, AGDL apprende rappresentazioni direttamente dalle geometrie dei singoli soggetti, preservando le informazioni strutturali specifiche del soggetto.
3. Dizionari Dipendenti dai Parametri: Il metodo introduce un meccanismo per apprendere dizionari condizionati dal parametro di compromesso FGW $\alpha$, consentendo l'esplorazione di diversi bilanciamenti tra allineamento delle caratteristiche e strutturale senza riaddestramento.
4. Validazione Empirica su HCP: L'approccio è stato validato sul dataset Human Connectome Project (HCP), dimostrando la sua capacità di apprendere rappresentazioni significative sia per dati basati su compiti che per dati a riposo.

Risultati Sperimentali

Gli esperimenti sono stati condotti sul dataset HCP coinvolgendo 1.200 soggetti attraverso 7 compiti cognitivi. Il dataset includeva sia geometrie individuali native che la geometria comune fsaverage.

• Qualità di Ricostruzione: Le visualizzazioni delle mappe di contrasto ricostruite (ad esempio, "storia - matematica") hanno mostrato che AGDL cattura i principali pattern di attivazione mentre smussa il rumore, colmando efficacemente il divario tra geometrie native e comuni.
• Classificazione del Contrasto: Un classificatore SVM addestrato sugli embedding appresi ha raggiunto la massima accuratezza a $\alpha = 0.22$. Sebbene la baseline (geometria comune) abbia superato leggermente AGDL in questo compito specifico, gli autori attribuiscono ciò al fatto che la baseline annulla il "rumore" geometrico individuale. Il modello AGDL basato su MLP ha superato il modello di interpolazione lineare, suggerendo che è necessaria una maggiore espressività.
• Classificazione dei Soggetti: In un compito più impegnativo di classificazione dei soggetti basato sui loro embedding, AGDL ha superato significativamente la baseline della geometria comune. Le migliori prestazioni sono state ottenute a $\alpha = 0.78$, indicando che catturare informazioni strutturali è cruciale per distinguere gli individui. Le visualizzazioni t-SNE hanno confermato che gli embedding AGDL si raggruppano per identità del soggetto, mentre la baseline non lo faceva.
• Evoluzione degli Atomi: Le visualizzazioni degli atomi del dizionario attraverso diversi valori di $\alpha$ hanno dimostrato che aumentare $\alpha$ (enfatizzando l'allineamento strutturale) porta ad attivazioni più nitide e localizzate, corrispondenti a contrasti specifici.

Significato e Affermazioni

Il documento afferma che AGDL rappresenta un passo significativo in avanti nell'analisi fMRI, superando la pratica standard di proiettare tutti i soggetti su una geometria comune. Modellando esplicitamente le geometrie individuali attraverso il trasporto ottimale, il metodo preserva le informazioni specifiche del soggetto che vengono tipicamente perse nella registrazione.

Gli autori collocano questo lavoro come il primo metodo scalabile per apprendere rappresentazioni congiunte di grafi con geometrie diverse, mantenendo al contempo informazioni sulle geometrie individuali. Sottolineano che, sebbene il metodo utilizzi attualmente una geometria fissa per gli atomi del dizionario per mantenere l'interpretabilità, cattura con successo la variabilità specifica del soggetto attraverso i piani di trasporto. I risultati suggeriscono che tenere conto della geometria individuale è essenziale per compiti che richiedono la discriminazione dei soggetti e che l'approccio ammortizzato proposto rende tale analisi computazionalmente fattibile per dataset di neuroimmagine su larga scala.

Gli autori notano modestamente che questo è un primo tentativo di apprendimento di dizionari con geometrie eterogenee, con lavori futuri pianificati per esplorare l'apprendimento congiunto emisferico, rilassare l'assunzione di geometria fissa per gli atomi e ammortizzare completamente i coefficienti di ricostruzione per un elaborazione quasi in tempo reale.