Block-Term Decomposition Approach to Blind Multi-trial Functional Ultrasound Unmixing

技術要約：ブラインド・マルチトライアル機能的超音波アンミキシングへのブロック項分解アプローチ

問題提起
機能的超音波（fUS）は、脳血管結合（NVC）を介して神経活動を推論するために脳血流量の変化を測定する、高解像度の神経画像モダリティである。しかし、fUS信号は間接的な観測量に過ぎないため、潜在的な神経ソースのブラインド分離と、それらの血行動態反応（HRF）のデコンボリューション（逆畳み込み）が必要となる。既存のブラインド・アンミキシング手法は、特にマルチトライアル・データにおいて、試行平均が生理学的反応を単純化しすぎてしまう場合、空間マップ、時間的活性化信号、および血行動態反応関数（HRF）を共同で推定することに課題を抱えることが多い。二段階の手法などの従来のアプローチは、時間的シグネチャの推定からデコンボリューションの段階へと誤差が伝播するリスクがある。さらに、一部のモデルは試行間の変動を考慮しているものの、HRFの形状に対する生理学的な制約が欠けていたり、神経画像における空間マップに固有の低ランク構造を強制できていなかったりすることが多い。

手法
著者らは、マルチトライアルのfUS測定に適した、データ駆動型の**畳み込みブロック項分解（convolutive Block-Term Decomposition: convBTD）**モデルを提案している。核心となる革新性は、測定信号を、区分的に一定な神経活性化信号と、試行およびソースに依存するHRFとの畳み込みとしてモデル化する線形時不変（LTI）システムとして捉える点にある。

主なモデリングの特徴は以下の通りである：

1. テンソル定式化： マルチトライアル・データを第四次テンソルとして構成し、これを $\mathbf{X} \in \mathbb{R}^{N_s \times N_t \times K}$ （ここで $N_s$ はピクセル数、$N_t$ は時間サンプル数、$K$ は試行数）という第三次テンソルへと再構成する。
2. 低ランク空間構造： 空間マップをベクトル化する標準的なConvolutional CPD (convCPD) とは異なり、本モデルは空間マップ ($\mathbf{U}_r$) に対して rank-$(L_r, L_r, 1)$ 構造を強制する。これにより、各ソースの空間マップを少数のクロネッカー積の和として表現することが可能となり、これはマルチサブジェクト・ディクショナリ学習による確率的アトラスや従来のfUS研究と一致する。
3. 生理学的制約：
   • 空間マップ： 非負かつ低ランクであること。
   • 活性化信号： 区分的に一定であると仮定し、全変動（Total Variation: TV）正則化によって強制される。
   • HRF： 生理学的に妥当なガンマ関数形状（式5）を用いてモデル化されており、固定された標準的なHRFではなく、試行およびソースに依存した変動を許容する。
4. 最適化フレームワーク： データの忠実度項とTV正則化項を最小化する制約付き最適化問題として、共同推定問題を定式化する。解法には、変数 ($\mathbf{U}, \mathbf{Z}, \mathbf{H}$) を**射影勾配降下法（Projected Gradient Descent: PGD）を用いて交互に更新するブロック座標降下法（Block Coordinate Descent: BCD）**アルゴリズムを採用している。
   • $\mathbf{U}$ の更新には、非負直交錐体への射影と低ランク行列集合への射到（切断SVD経由）の交互適用が含まれる。
   • $\mathbf{H}$ の更新には、非線形最小二乗法（NLS）曲線フィッティングを用いたHRF多様体への射影が含まれる。
   • $\mathbf{Z}$ の更新には、非平滑なTV項を扱うための近接作用素（proximal operator）を利用する。

主要な貢献
本論文は、主に2つの貢献を特定している：

1. 先行研究の拡張： 著者らは、[10]におけるrank-$(L_r, L_r, 1)$ BTDモデルを、より現実的なシナリオである試行および／またはソース依存のHRFを含む状況へと拡張した。決定的なのは、ソース分離とデコンボリューションという以前は分離されていたステップを、単一の共同最適化フレームワークへと統合することで、誤差の伝播を軽減した点である。
2. convCPDに対する構造的および生理学的強化： シフト不変CPD (shiftCPD) やConvolutional CPD (convCPD)（例：[25]）と比較して、本研究は空間マップをベクトル化するのではなく、明示的に空間マップの低ランク構造を促進する。さらに、試行依存のフィルタを、単なる汎用的なスパース・インパルス応答として扱うのではなく、ガンマ関数型のHRF形状に制約を与えることで、特定の生理学的解釈を付与している。

シミュレーション結果
著者らは、ソース数 $R=2$、試行数 $K=4$、および信号対雑音比（SNR）を -5 dB から 20 dB まで変化させた合成マルチトライアルfUSデータを用いて手法を評価した。

• 空間マップ： 本手法は、すべてのSNRレベルにおいて空間マップを高い精度で復元できることを示した。中央値の相対誤差は -5 dB で約 0.1 であり、SNRの増加とともに減少した。
• 活性化信号： 時間的活性化プロファイルは信頼性高く推定されたが、空間マップと比較してやや高い中央値誤差（約 0.2）を示した。
• HRF推定： 著者らは、HRFの推定がこの問題の中で最も困難な側面であると指摘している。中央値の誤差は他のコンポーネント（約 0.2）と同程度であったが、ばらつき（75パーセンタイルおよび外れ値）は著しく高かった。これは、デコンボリューションにおける固有の曖昧さに起因しており、一方の因子（例：活性化のタイミング）の小さな変化が、データの適合性を維持したまま、他方（HRFの形状）の逆の変化によって補償され得るためである。
• ロバスト性： 本手法は初期値に対して頑健であり、データ再構成誤差を最小化する初期化（グラウンドトゥルースがない実用的なシナリオ）を用いた場合の性能は、オラクル（最適）な初期化を用いた場合と比べても、わずかに劣る程度であった。

意義と主張
本論文は、本研究を、完全なテンソルベースのブラインドfUS分解手法の開発を目指す研究プロジェクトの第一歩として位置づけている。著者らは、提案されたフレームワークが以下のことを成功裏に示したと控えめに主張している：

• データ駆動型の手法で、空間マップ、活性化信号、および試行依存のHRFを共同で推定できることの実現可能性。
• 様々なノイズレベルにおいて、空間マップと活性化プロファイルを妥当な精度で復元できること。
• 空間的および時間的な復元は頑健であるが、HRF推定は畳み込みの曖昧さにより依然としてボトルネックであるという事実の確認。

著者らは、現在の手法ではソースの数 ($R$) および空間ランク ($L_r$) が事前に既知であることを前提としていると明言しており、これは今後の研究において、コア一貫性診断（core consistency diagnostics）やベイズ推論を通じて対処すべき制限事項であるとしている。また、現在の研究はシングルサブジェクトのデータに焦лоんでいるが、適切な解剖学的共登録を行うことで、本フレームワークはマルチサブジェクトの設定にも拡張可能であるとも述べている。