技術要約：高速かつ全脳対応の、幾何学的特徴を考慮したクロス被験者デコーディングのための機能的アライメント

問題提起

機能的磁気共鳴画像法（fMRI）データから脳活動を正確にデコードすることは、認知プロセスの理解において不可欠である。しかし、堅牢な集団レベルのデコーダーの開発は、顕著な個人間変動によって阻まれている。この変動は、以下の2つの絡み合った形で現れる：

1. 解剖学的相違： 脳の溝（folding）の違いが、機能信号に対して異なる空間的サポートを生み出す。
2. 機能的変動： 個々人の機能的応答の位置および振幅のバリエーション。

解剖学的レジストレーション（例：MNIテンプレートや表面ベースのアライメント）は空間的サポートに対処するが、機能的アーキテクチャの整合には至らない。これは、機能的アーキテクチャが解剖学に厳密に紐付いているわけではないためである。既存の機能的アライメント手法には、以下のような決定的な限界がある：

• 局所的手法（例：Hyperalignment）： サーチライトやパーセル（領域分割）に依存しており、境界効果が生じ、個別の解剖学的空間を横断する対応関係を提供できない。
• グローバルな手法（例：ProMises）： 低ランク変換に依存することが多く、未知の機能パターンへの汎化性能を制限する。
• 最適輸送（OT）を用いた手法（例：FUGW）： 有効ではあるが、異種な基準（機能的マッチング、測地線距離、周辺関係）を同時に最小化する必要がある。これにより、計算コストが高くなり、ハイパーパラメータの調整が複雑になり、項のスケールが不均一になるため、大規模な集団研究やディープラーニングへの統合が困難である。

手法：SpectralOT

著者らは、SpectralOTという、皮質の幾何学を機能データに埋め込むことでアライメントを正則化する機能的アライメント手法を提案している。この手法は、コンピュータグラフィックスにおける**ファンクショナル・マップ（Functional Maps）**に着想を得ており、これをOT損失を用いたfMRIレジストレーションへと適応させたものである。

コア構成要素

1. 幾何学的記述子（ラプラス・ベルトラーミ固有モード）：

   • 遠方の頂点間の対応関係を防ぐため、本手法はラプラス・ベルトラーミ演算子（LBO）の固有モードを用いて頂点を特徴付ける。
   • 主な方向（前後、背腹、側方）をエンコードするために、最初の3つの固有モードが選択される。
   • **符号反転補正（Sign-Flip Correction）**が適用される：固有モードは符号の定数倍までしか定義されないため、著者らは固有モード値の3D勾配を計算する。ソースメッシュとターゲットメッシュの勾配のドット積が負である場合、幾何学的な向きを一致させるために固有モードの符号を反転させる。
   • これにより、固有の形状に基づく頂点ごとの非類似性を表す幾何学的コスト行列（$C_{geom}$）が作成される。

2. 機能的コスト行列：

   • 機能的コスト行列（$C_{func}$）は、ペアとなった刺激に対するソース信号とターゲット信号の間の二乗$L_2$距離として計算される。

3. 複合コストと最適化：

   • 本手法は、単一のハイパーパラメータ $\alpha \in [0, 1]$ を用いて、機能的制約と幾何学的制約を補間する：
     $$C_{composite} = (1-\alpha)C_{func} + \alpha C_{geom}$$
   • この複合コストは Sinkhorn エントロピー的OTソルバーに渡され、ソース頂点とターゲット頂点の間のソフトな対応行列（結合）$P_{s \to t}$ を計算する。
   • FUGWとは異なり、SpectralOTは単一のパス（pass）のみを必要とする。

4. 信号転送：

   • ソース被験者の新しい機能データは、計算された結合行列を用いてターゲット被験者へと投影される。

主な貢献

• 幾何学的正則化： 本手法は、複雑な異種基準の同時最小化を必要とせずに、皮質の幾何学（LBO固有モード経由）を機能的アライメントのプロセスに効果的に統合することに成功した。
• 計算効率： SpectralOTは、最先端のFUGWと比較して、解剖学的成分を維持しながらも、オーダー単位で高速である（実験において33.55秒 vs 1023.29秒）。
• 簡素化されたパラメータ化： 本手法は、機能的制約と幾何学的制約のバランスを取るための単一の線形補間パラメータ（$\alpha$）に依存しており、FUGWのような複雑で非線形なチューニングを回避している。
• 簡潔な対応関係： 得られる輸送プランはより簡潔であり、高曲率の溝の周囲で信号を混合しがちなFUGWと比較して、確率質量をより少ない数の頂点に集中させている。

結果

著者らは、4つの実験において、SpectralOTをFUGW、ProMises、および解剖学的ベースラインと比較評価した：

1. 解剖学的アライメント： SpectralOTは、最初の3つの固有モードのみを使用して、異なるメッシュ解像度（fsaverage5からfsLRへ）間でDestrieuxアトラスを正しく転送し、パーセルをシャッフルすることなくグローバルな幾材学的特性を保持した。これは、等しいエントロピー正則化レベルにおいて、FUGWよりも空間的な平滑化が少ないことを示した。
2. タスクベースの機能的アライメント（IBCデータセット）：
   • SpectralOTは、様々なレベルの幾何学的正則化（$\alpha$）において、FUGWおよびProMisesよりも高い相互被験者相関（ISC）を達成した。
   • SpectralOTのISCプロファイルは、$\alpha$の値に対してよりバランスが取れていたが、FUGWはコスト項の非線形スケーリングにより強い歪みを示した。
3. クロス被験者デコーディング（THINGSデータセット）：
   • 27の物体カテゴリを分類する「leave-one-subject-out」デコーディングタスクにおいて、SpectralOTは6つの被験者ペアのうち5つで解剖学的ベースラインを上回り、平均精度においてFUGWおよびProMisesを凌駕した。
4. 集団レベルのデコーディング（IBCデータセット）：
   • 13人の参加者を対象とした大規模なデータセットにおいて、SpectralOTとFUGWは共に、解剖学的ベースラインよりも統計的に有意に高いデコーディング精度を達成した（$p \le 0.05$）。両手法の間に有意な差は見られなかった。
   • SpectralOTは、他の手法と比較して、解剖学的ベースラインを下回るデコーディングスコアを一貫して少なく生成した。

意義と主張

本論文は、SpectralOTが、現在の最先端手法に対する高速で、調整が容易で、かつ堅牢な代替案を提供することで、機能的アライメントにおける重要な進歩であると主張している。

• ドメインシフトの架け橋： 本手法は、個体間のドメインシフトを効果的に軽減し、未知の被験者に対するデコーダーの汎化性能を向上させる。
• データの節約性： 大規模なデータセットを必要とするモデル（例：ProMises）とは異なり、SpectralOTは数十個のローカライザーコントラストマップのみを使用してドメインシフトを埋めることができ、小規模な研究にも適している。
• 実用的な有用性： 高速な収束とハイパーパラメータへの線形依存性により、SpectralOTはネストされた交差検証やディープラーニングフレームワークへの統合に理想的である。
• 安全性と堅牢性： 著者らは、SpectralOTが解剖学的ベースラインやProMisesを常に上回り、F的人類的なオーバーヘッドを大幅に抑えつつFUGWの性能に匹敵することに触れ、幅広いアプリケーションのための「安全で堅牢な候補」として位置づけている。

結論として、SpectralOTは、個人間の変動を低減させることで、fMRIデコーディングの分野を前進させ、集団規模の研究や将来のテンプレート生成のための実用的なツールを提供するものである。