기술적 요약: 최적 수송을 통한 개별 기하학적 구조 간 fMRI 활성화 사전 학습

문제 제기

기능성 자기공명영상 (fMRI) 데이터는 고차원적이며 노이즈가 많고 본질적으로 개인별 특성을 띠고 있습니다. 다중 피험자 fMRI 분석의 핵심 과제는 개인 간 뇌 해부학적 구조와 기능적 조직의 상당한 변이성입니다. 표준 접근법은 모든 피험자를 공통 해부학적 템플릿 (예: fsaverage) 에 투영함으로써 이를 해결합니다. 이는 실용적이지만, 이러한 등록 과정은 피험자별 구조적 정보를 폐기하며, 불완전한 대응 관계에 의존하고, 개별 뇌 조직을 왜곡할 수 있습니다.

기존 fMRI 사전 학습 방법은 신호가 공통 기하학 구조에 등록되었다고 가정합니다. Fused Gromov-Wasserstein (FGW) 거리를 사용하는 그래프 사전 학습 (GDL) 은 서로 다른 기하학 구조를 가진 그래프를 비교할 수 있는 프레임워크를 제공하지만, 대규모 신경영상 데이터에 적용하는 것은 현재 불가능합니다. FGW 최적화 문제를 해결하는 계산 비용은 노드 수에 따라 세제곱 (또는 손실 변형에 따라 네제곱) 으로 증가하여, 이전 GDL 응용은 수십 개의 노드만 가진 작은 그래프로 제한되었으나, fMRI 그래프는 일반적으로 수천 개의 노드를 포함합니다.

방법론

저자들은 공통 템플릿으로 투영하지 않고 개별 피험자의 기하학 구조에서 직접 해석 가능한 사전 표현을 학습하도록 설계된 새로운 프레임워크인 **상각 그래프 사전 학습 (Amortized Graph Dictionary Learning, AGDL)**을 제안합니다. 이 방법은 세 가지 핵심 요소를 통합합니다:

1. FGW 근사를 위한 상각 최적화

정확한 FGW 거리 계산의 과도한 계산 비용을 극복하기 위해 저자들은 상각 최적화를 활용합니다. 그들은 비지도 최적 수송 학습 (Unsupervised Learning of Optimal Transport, ULOT) 아키텍처 기반의 사전 훈련된 신경망을 사용합니다.

• 훈련: ULOT 모델은 데이터셋에서 샘플링된 그래프 쌍으로 훈련되어 FGW 손실을 최소화하는 최적 수송 계획 $P^\alpha_\theta(G_1, G_2)$를 예측합니다. 훈련은 ground truth 대응 관계 없이 주변 제약 조건을 장려하기 위해 Fused Unbalanced Gromov-Wasserstein (FUGW) 손실을 완화제로 사용합니다.
• 추론: 훈련이 완료되면 모델은 $O(n_1 n_2)$ 복잡도의 간단한 순전파를 통해 수송 계획을 예측하므로, FGW 기반 방법을 대규모 그래프 (약 1000 개 노드) 에 적용할 수 있게 됩니다.

2. 고정 원자 기하학을 통한 사전 학습

이 방법은 원자 $(F^D_k, C^D_k)$의 사전을 학습하는데, 여기서 구조적 구성 요소 $C$(그래프 기하학을 나타냄) 는 해석 가능성과 피험자 간 비교를 보장하기 위해 공통 기하학 (예: fsaverage 템플릿) 으로 고정되고, 특징 구성 요소 $F^D_k$는 학습됩니다.

• 재구성: 각 피험자의 그래프 $G_i$는 사전 원자의 선형 결합으로 재구성됩니다: $(\sum \omega_k F^D_k, \sum \omega_k C^D_k)$.
• 손실 함수: 재구성 오차는 상각 ULOT 모델이 예측한 수송 계획을 활용하여 피험자의 고유 그래프와 재구성된 그래프 간의 FGW 거리를 사용하여 계산됩니다. 이를 통해 모델은 공통 사전 구조를 유지하면서도 수송 계획을 통해 개별 기하학적 변이를 고려할 수 있습니다.

3. $\alpha$-조건부 사전 학습

FGW 거리에는 특징 정렬 (Wasserstein 항) 과 구조 정렬 (Gromov-Wasserstein 항) 사이의 균형을 맞추는 트레이드오프 매개변수 $\alpha \in [0, 1]$가 포함됩니다. 모든 $\alpha$에 대해 사전을 다시 훈련하는 대신, 저자들은 명시적으로 $\alpha$에 의존하는 사전을 학습할 것을 제안합니다:

• 선형 보간: 사전 원자가 두 끝점 원자 간의 선형 보간인 간단한 모델: $F^D = \alpha F^D_0 + (1-\alpha)F^D_1$.
• MLP 기반 모델: $\alpha$의 소프트-빈 인코딩을 입력으로 받아 사전 원자를 출력하는 다층 퍼셉트론 (MLP) 을 사용하는 더 표현력 있는 모델. 이는 사전이 $\alpha$에 따라 매끄럽게 진화하도록 하여, 다운스트림 매개변수 선택에 대한 계산 오버헤드 없이 다양한 수준의 기하학적 변이를 포착할 수 있게 합니다.

주요 기여

1. 확장 가능한 FGW 사전 학습: 이 논문은 상각 최적화를 활용하여 수송 계획을 근사함으로써 대규모 fMRI 데이터 (수천 개 노드) 에 FGW 기반 사전 학습을 적용한 첫 번째 방법인 AGDL 을 소개합니다.
2. 고유 기하학 학습: 데이터를 공통 템플릿으로 투영하는 표준 파이프라인과 달리, AGDL 은 개별 피험자의 기하학 구조에서 직접 표현을 학습하여 피험자별 구조적 정보를 보존합니다.
3. 매개변수 의존적 사전: 이 방법은 FGW 트레이드오프 매개변수 $\alpha$에 조건부인 사전을 학습하는 메커니즘을 도입하여, 재훈련 없이 특징과 구조 정렬 간의 다양한 균형을 탐색할 수 있게 합니다.
4. HCP 에 대한 실증적 검증: 이 접근법은 인간 연결체 프로젝트 (HCP) 데이터셋에서 검증되었으며, 과제 기반 및 휴식 상태 데이터 모두에 대해 의미 있는 표현을 학습할 수 있음을 입증했습니다.

실험 결과

실험은 7 가지 인지 과제를 수행한 1,200 명의 피험자가 포함된 HCP 데이터셋에서 수행되었습니다. 데이터셋에는 고유한 개별 기하학 구조와 공통 fsaverage 기하학 구조가 모두 포함되었습니다.

• 재구성 품질: 재구성된 대조군 맵 (예: "스토리 - 수학") 의 시각화는 AGDL 이 주요 활성화 패턴을 포착하면서 노이즈를 부드럽게 만들어 고유 기하학과 공통 기하학 간의 간극을 효과적으로 연결함을 보여주었습니다.
• 대조군 분류: 학습된 임베딩으로 훈련된 SVM 분류기는 $\alpha = 0.22$에서 최고 정확도를 달성했습니다. 이 특정 작업에서 기준선 (공통 기하학) 이 AGDL 을 약간 능가했지만, 저자들은 이를 기준선이 개별 기하학적 "노이즈"를 상쇄했기 때문이라고 설명합니다. MLP 기반 AGDL 모델은 선형 보간 모델보다 성능이 우수하여 더 높은 표현력이 필요함을 시사합니다.
• 피험자 분류: 임베딩을 기반으로 피험자를 분류하는 더 까다로운 작업에서 AGDL 은 공통 기하학 기준선을 크게 능가했습니다. 가장 좋은 성능은 $\alpha = 0.78$에서 달성되었으며, 이는 개인을 구별하는 데 구조적 정보를 포착하는 것이 중요함을 나타냅니다. t-SNE 시각화는 AGDL 임베딩이 피험자 정체성별로 군집화되는 반면 기준선은 그렇지 않음을 확인시켜 주었습니다.
• 원자 진화: 다양한 $\alpha$ 값에 걸친 사전 원자의 시각화는 $\alpha$를 증가시키는 것 (구조 정렬 강조) 이 특정 대조군에 해당하는 더 날카롭고 국소화된 활성화로 이어짐을 보여주었습니다.

의의 및 주장

이 논문은 모든 피험자를 공통 기하학 구조로 투영하는 표준 관행을 넘어 fMRI 분석에서 중요한 진전을 이루었다고 주장합니다. 최적 수송을 통해 개별 기하학 구조를 명시적으로 모델링함으로써, 이 방법은 일반적으로 등록 과정에서 손실되는 피험자별 정보를 보존합니다.

저자들은 이 작업을 서로 다른 기하학 구조를 가진 그래프의 결합 표현을 학습하면서 개별 기하학 구조에 대한 정보를 유지하는 최초의 확장 가능한 방법으로 위치시킵니다. 그들은 현재 해석 가능성을 유지하기 위해 사전 원자에 고정된 기하학 구조를 사용하지만, 수송 계획을 통해 피험자별 변이를 성공적으로 포착한다고 강조합니다. 결과는 개인별 기하학 구조를 고려하는 것이 피험자 구분이 필요한 작업에 필수적이며, 제안된 상각 접근법이 대규모 신경영상 데이터셋에 대한 그러한 분석을 계산적으로 실현 가능하게 만든다고 시사합니다.

저자들은 겸손하게 이것이 이질적 기하학 사전 학습에 대한 첫 번째 시도이며, 향후 작업으로 반구 간 결합 학습 탐구, 원자에 대한 고정 기하학 가정 완화, 그리고 실시간 처리를 위한 재구성 계수의 완전한 상각화를 계획한다고 언급합니다.