Biophysics-informed deep operator learning for inverse problems with application to electrophysiological source reconstruction

技術要約：逆問題のための生物物理学に基づいたディープ・オペレーター学習

問題提起
脳磁計（MEG）における電気生理学的ソース再構成は、極めて不良設定な（ill-posed）逆問題である。これは、間接的でノイズの多い磁場計測値（センサ信号）から、神経活動の空間分布（ソース信号）を推論するプロセスである。標準的な手法は、生物物理学的原理（マクスウェル方程式、頭部解剖学）に基づく順モデルの構築に基づき、その後に正則化された最小二乗再構成を行う。しかし、これらの線形手法は、単純化されたモデリングの仮定により、特に信号対雑音比（SNR）が低い設定において空間的な精度に欠けることが多い。逆に、ディープラーニング手法は有望であることを示しているが、データの生成を支配する生物物理学的原理を明示的に組み込むことに失敗することが多い。この欠如は、データの非効率性と被験者間の汎化性能の低下を招く。なぜなら、ネットワークは合成された訓練ペアのみから複雑なメカニズムの関係を暗黙的に学習しなければならないからである。さらに、既存の物理情報ニューラルネットワーク（PINN）は、通常、損失関数のペナルティとして物理的制約を符号化するものの、センシング機構自体をアーキテクチャに直接埋め込むことはできず、また、順モデルのサンプル固有の変動にも苦慮することが多い。

手法：DeepOp-Informed
著者らは、センサ空間からソース空間への写像 $R_{K,\theta}: \mathbb{R}^s \to \mathbb{R}^p$ を学習するために設計された、生物物理学に基づいた幾何学的ディープ・オペレーター学習フレームワークである DeepOp-Informed を提案する。このアーキテクチャは、カスタムの微分可能なレイヤーを通じて、ユーザーが提供する順モデル $K$（ソースからセンサへの生物物理学的写像をエンコードしたもの）に明示的に条件付けを行う。本フレームワークは、エンドツーエンドで訓練される2つの主要なモジュールで構成されている：

1. 生物物理学情報レイヤー ($B_{\theta_1, \tilde{K}}$):
   このレイヤーは、メカニズム的な知識と学習された正則化項を組み合わせることで、初期の再構成を行う。経験的ベイズ法および結合ガウス仮定の下での条件付き期待論に触発され、このレイヤーは以下の正則化逆問題を解く：
   $$B_{\theta_1, \tilde{K}}(y) = \arg\min_{x} \left( \|y - \tilde{K}x\|_2^2 + \|P_{\theta_1}^{1/2}x\|_2^2 \right)$$
   ここで、$\tilde{K}$ は代理順モデルであり、$P_{\theta_1}$ は皮質メッシュ上のラプラス・ベルトラーミ演算子（$\Delta$）の累乗の線形結合としてパラメータ化された学習可能な疎行列である。この定式化により、このレイヤーは、順モデルによって導入される混合を分離しつつ、データ駆動型の事前共分散構造を学習する非局所的な線形フィルタとして機能することができる。出力は、皮質メッシュ上のソース信号の予備的な推定値となる。

2. 幾何学的ディープラーニング精緻化モジュール ($F_{\theta_2}$):
   初期推定値は、皮質表面の幾何学的構造（頂点とエッジのグラフとして表現される）を利用するグラフニューラルネットワーク（具体的には Graph U-Net）によって精緻化される。このモジュールは、非線形な空間依存性と解剖学的制約を捉え、最終的なソース再構成を生成する。

モデルは、合成された三つ組 $(y_i, x_i, \tilde{K}_i)$ を用いて、真値と再構成されたソースとの間の平均二乗誤差を最小化するように訓練される。決定的なのは、順モデル $K$ が各サンプルに対して入力として提供されることであり、これにより、同じ学習済みパラメータ $\theta$ を、異なる頭部形状やセンサ構成を持つ異なる被験者に、再訓練なしで適用できることが可能になる。

主な貢献

• アーキテクチャ: 損失ペナルティや暗黙的な学習だけに頼るのではなく、微分可能なレイヤーを介してセンシングプロセスの生物物理学をネットワークに直接埋め込んだ、新しいディープ・オペレーター学習フレームワーク。
• 被験者固有の適応: 解剖学やセンサ配置によるサンプル固有の順モデルの変動を $K$ に条件付けることで、再訓練なしでのクロス被験者汎化を可能にする能力。
• データの効率性: メカニズム的な情報を組み込むことで、モデルは、逆写像を近似するために膨大なデータを必要とする完全データ駆動型のアプローチと比較して、精選された小規模な合成データセットから効果的に学習できる。
• 汎用性: 本フレームワークは、MEGを含む様々な逆問題に適用可能な一般的なオペレーター学習アプローチとして定式化されており、他のイメージングモダリティにも適用可能である。

結果
著者らは、DeepOp-Informed を主に2つの設定で評価した：

1. 現実的なMEGシミュレーション:

   • 19名の青年被験者の順モデルから生成された合成データを使用し、保持された（テスト用の）被験者に対してモデルをテストした。
   • 性能: DeepOp-Informed は、古典的な手法（MNE, dSPM, sLORETA, eLORETA, LCMV）およびニューラルネットワークのベースライン（MLP, GraphU, Unrolled networks, GraphUBP）を含む9つのベースライン手法と比較して、再構成誤差を3分の1に削減した。
   • 汎化: モデルは、訓練中に見ていない被験者の順モデルに対しても、正常に汎化することに成功した。
   • 堅牢性: モデルは、誤った、あるいは摂動を与えられた順モデルに対しても優れた性能を維持したが、特に高SNR領域において、摂動が大きくなると性能が低下した。

2. 実際のMEG記録（青年の聴覚誘発反応）:

   • 三音節の擬似単語を用いた聴覚実験のMEGデータに適用した。
   • 局在化: DeepOp-Informed は、既知の機能的組織と一致する、聴覚野に局在した解剖学的に妥当な再構成を生成した。
   • 比較: 古典的な手法も聴覚野を特定したが、それらの活性化マップはより拡散しており、センサへの物理的な近接性に駆動されているように見えた。一方、DeepOp-Informed は、より鋭く、より局在化した活性化パターンを生成した。
   • 訓練効率: モデルは、わずか200個の訓練サンプルを用いて、妥当な結果を生成した。

意義と主張
本論文は、Deep-Op-Informed が、メカニズム的な生物物理学的モデリングとディープラーニングの間の溝を埋めることにより、不良設定な逆問題を解決するための重要な進歩を遂げたことを主張している。著者らは、物理的な信号生成をアーキテクチャに明示的に組み込むことで、本手法がデータの効率性と汎化性能を向上させることを強調している。損失関数を拡張する従来のPINNとは異なり、本手法は順モデルを構造的なコンポーネントとして統合しており、これによりネットワークが被験者固有の物理学に適応することを可能にしている。本フレームワークは、センサレベルのデータが利用可能なソース再構成および画像再構成タスクに適用可能な、一般的なオペレーター学習のパラダイムとして提示されており、MRI、CT、PETへの拡張の可能性も示唆されている。著者らは、本アプリケーションの焦点はMEGにあるものの、基礎となるオペレーター学習フレームワークはモダリティに依存しないものであると述べている。また、今後の課題として、合成データに頭部の動きの影響を組み込むことや、ヒト被験者への真値の知識転移のためにファントムデータで検証することなどが挙げられている。