Unsupervised learning of acquisition variability in structural connectomes via hybrid latent space modeling

기술적 요약: 하이브리드 잠재 공간 모델링을 통한 구조적 연결체에서의 획득 변이성 비지도 학습

문제 제기
확산 MRI(dMRI) 는 신경퇴행성 질환, 인지 저하, 노화에서 백질 연결성과 미세구조적 무결성을 분석하는 데 필수적입니다. 그러나 dMRI 데이터는 획득 프로토콜의 이질성 (예: 스캐너 유형, 에코 시간, 반복 시간, b-값, 쉘 구성) 에 크게 영향을 받습니다. 이러한 획득 차이는 종종 근본적인 생물학적 신호를 흐리게 하는 변이성을 도입하여 다기관 연구 간에 일반화 가능한 결론을 도출하기 어렵게 만듭니다. 조화화(harmonization) 기법이 존재하지만, 많은 기법이 사전 정의된 사이트 라벨이나 메타데이터에 의존하며, 이는 불완전하거나 부정확할 수 있습니다. 또한, 기존 차원 축소 방법 (예: 표준 변분 오토인코더 또는 주성분 분석) 은 일반적으로 모든 분산을 연속적으로 모델링하여 이산적인 획득 효과를 연속적인 생물학적 변이와 분리하기 어렵게 만듭니다. 이산적 요인과 연속적 요인을 분리하려는 기존 하이브리드 잠재 공간 모델들은 종종 원하는 변이성을 포착하도록 이산 구성 요소를 보장하기 위해 수동 용량 조정이 필요하여 불안정성과 하이퍼파라미터에 대한 민감성을 초래합니다.

방법론
저자들은 구조적 연결체를 모델링하기 위해 연속 ($z_c$) 과 이산 ($z_d$) 변수를 모두 포함하는 하이브리드 잠재 공간을 학습하도록 설계된 비지도 프레임워크인 아키텍처 어닐링 결합-VAE(Architectural Annealing Joint-VAE) 를 제안합니다.

1. 데이터 큐레이션: 이 연구는 2 세에서 102 세까지의 나이에 걸쳐 13 개의 신경영상 연구에서 파생된 대규모 이질적 데이터셋 ($N=7,416$) 을 활용합니다. 데이터는 25 개의 고유한 획득 매개변수 조합 (사이트) 을 포함하며, 신경정상, 경도 인지 장애 (MCI), 알츠하이머 병 (AD) 코호트를 포괄합니다. 구조적 연결체는 121 개의 관심 영역 (ROI) 과 피사체당 1000 만 개의 스트림라인을 포함하는 표준 전처리 파이프라인 (PreQual, SLANT, MRtrix3) 을 사용하여 구성되었습니다.
2. 모델 아키텍처: 이 모델은 전통적인 변분 오토인코더 (VAE) 를 확장합니다. 인코더는 평탄화된 연결체 데이터를 결합된 사후 확률 $q_\phi(z_c, z_d | x)$ 로 매핑하고, 디코더는 연결된 잠재 벡터 $[z_c, z_d]$ 로부터 입력을 재구성합니다.
   • 연속 잠재 ($z_c$): 가우시안 분포로 모델링됩니다.
   • 이산 잠재 ($z_d$): 사이트 수에 해당하는 25 개의 클래스로 구성된 범주형 분포로 모델링되며, Gumbel-Softmax 를 통해 샘플링됩니다.
3. 아키텍처 어닐링: 핵심 혁신은 손실 함수뿐만 아니라 인코더 출력에 직접 적용되는 단계별 어닐링 절차입니다.
   • 어닐링 인자 $\lambda$ 는 고정된 반복 횟수에 걸쳐 0 에서 1 로 선형적으로 증가합니다.
   • 연속 잠재에 대한 인코더의 평균 ($\mu$) 및 로그 분산 ($\log \sigma^2$) 은 샘플링 및 KL 발산 계산 전에 $\lambda$ 로 스케일링됩니다 (즉, $\mu' = \lambda \mu$, $\log \sigma'^2 = \lambda \log \sigma^2$).
   • 메커니즘: 학습 시작 시 ($\lambda \approx 0$), 연속 경로가 억제되어 모델이 구조적 정보를 이산 잠재 공간에 인코딩하도록 강제합니다. $\lambda$ 가 증가함에 따라 연속 경로가 점진적으로 해제되어 균형 잡힌 결합 최적화가 가능해집니다. 이 아키텍처 제약은 손실 기반 어닐링 접근법에서 관찰된 실패 모드인 연속 공간이 초기 학습 역학을 지배하는 것을 방지합니다.

주요 기여

• 원칙적인 비지도 프레임워크: 이 논문은 사이트 라벨이나 수동 용량 조정이 필요 없이 이산적인 획득 효과를 연속적인 생물학적 변이에서 분리하는 방법을 제시합니다.
• 아키텍처 어닐링: 이전의 손실 항 (KL 발산) 만을 어닐링하는 접근법과 달리, 이 방법은 인코더 출력 자체를 어닐링합니다. 이는 디코더가 학습 전반에 걸쳐 제어된 용량을 가진 표현에 조건부적으로 작용하도록 보장하여 더 안정적인 역학을 유도합니다.
• 대규모 검증: 이 프레임워크는 이전 하이브리드 잠재 공간 연구에 비해 훨씬 크고 다양한 데이터셋 (7,416 명의 피사체, 25 개 사이트) 에서 검증되었습니다.

결과

• 수동 조정에 대한 민감성: 표준 결합-VAE(식 5) 에 대한 실험은 모델이 수동 연속 용량 ($C_c$) 설정에 매우 민감함을 보여주었습니다. $C_c$ 를 증가시키면 이산 공간이 붕괴되어 서로 다른 사이트 클러스터를 병합하고 사이트 구조를 복원하지 못하게 되었습니다.
• 우수한 사이트 발견: 제안된 아키텍처 어닐링 결합-VAE 는 PCA+k-means, 표준 VAE+k-means, 손실 기반 어닐링만 사용하는 결합-VAE 를 포함한 기준선들을 크게 능가했습니다.
  • 25 개의 이산 클래스 (실제 사이트 수와 일치) 에서 모델 어닐링 접근법은 조정된 랜덤 지수 (ARI) 0.53 ($p < 0.05$) 을 달성하여 모든 다른 방법보다 유의하게 높았습니다.
  • 모델 어닐링 접근법은 클래스 수가 실제 값에 접근함에 따라 안정적인 성능을 유지한 반면, 손실 어닐링 및 PCA 기준선은 뚜렷한 성능 저하를 보였습니다.
• 잠재 공간 해석 가능성: 잠재 공간의 시각화는 모델이 멀티-쉘 획득과 싱글-쉘 획득을 성공적으로 분리하도록 학습했음을 보여주었습니다. 싱글-쉘 그룹 내에서 연속 잠재 공간은 획득 매개변수 (TE, TR, 각분해능) 에 따라 피사체를 매끄럽게 조직화하여 획득 변이성의 비선형 분해를 보여주었습니다.

의의 및 주장
이 논문은 제안된 하이브리드 연속 - 이산 잠재 공간이 확산 MRI 에서 획득 관련 변이성을 포착하는 견고한 비지도 메커니즘을 제공한다고 주장합니다. 매끄러운 구조와 범주형 구조를 결합하여 모델링함으로써, 이 모델은 감독 없이 스캐너 및 프로토콜 차이와 정렬된 의미 있는 클러스터를 복원합니다. 저자들은 학습된 잠재 구조가 단일 획득 매개변수가 변이성을 지배하지 않으며, 오히려 모델이 TE, TR, b-값, 쉘 구조를 포함하는 다요인 의존성을 포착한다는 점을 강조합니다.

저자들은 겸손하게 한계를 지적합니다: 이 완전한 비지도 설정에서 잠재 공간은 피사체 간의 생물학적 차이보다는 획득 관련 변이에 의해 지배됩니다. 그들은 향후 연구가 이산 변수가 획득 구조를 포착하고 전용 연속 차원이 생물학적 변이성을 인코딩하도록 장려하는 반지도 프레임워크로 확장될 수 있음을 제안하며, 이는 의미 있는 생물학적 신호를 보존하는 대규모 교차 연구 신경영상 분석을 지원할 것이라고 말합니다.