Atlas-free Brain Network Transformer

Deze paper introduceert een atlas-vrije Brain Network Transformer die, door gebruik te maken van gepersonaliseerde hersenparcelleringen uit individuele fMRI-data, de beperkingen van traditionele atlas-gebaseerde methoden overwint en superieure prestaties levert bij taken zoals geslachtsclassificatie en leeftijdsvoorspelling.

De kern

De "Atlas-vrije" Breinnetwerk-Transformer: Een nieuwe manier om het brein te lezen

Stel je voor dat je het brein van een mens wilt bestuderen, alsof het een enorme, complexe stad is met miljoenen straten en gebouwen. Om deze stad te begrijpen, gebruiken wetenschappers vaak een landkaart (in het Engels een "atlas"). Deze landkaarten delen het brein in vooraf bepaalde gebieden op, zoals "dit is de visuele zone" of "dit is het geheugencentrum".

Het probleem? Ieder brein is uniek, net zoals elke stad zijn eigen unieke stratenpatroon heeft. Als je een standaardlandkaart van Parijs probeert te gebruiken om de stad Tokio te navigeren, mis je de echte straten. Je komt op plekken waar geen gebouwen staan, of je deelt gebouwen verkeerd in. In de hersenen betekent dit dat een standaardkaart vaak niet precies op de juiste plek valt bij een individueel persoon, of dat een gebied op de kaart eigenlijk uit heel verschillende soorten neuronen bestaat. Dit maakt de metingen onnauwkeurig.

De auteurs van dit paper (Shuai Huang en collega's) hebben een slimme oplossing bedacht: geen landkaart meer gebruiken, maar het landschap zelf laten spreken.

De Oplossing: Een Persoonlijke Landkaart voor Iedereen

In plaats van te zeggen: "We gebruiken de standaardkaart van de wereld", laten ze het brein van elke persoon zichzelf indelen.

1. De "Individuele Indeling":
   Stel je voor dat je een groep mensen in een zaal zet. In de oude methode zou je zeggen: "Jullie zitten allemaal in Groep A, jullie in Groep B," gebaseerd op waar ze in de zaal staan. Maar wat als iemand in Groep A eigenlijk meer praat met iemand in Groep B?
   De nieuwe methode kijkt naar wie met wie praat. Als twee neuronen (hersencellen) heel goed met elkaar "praten" (een sterk signaal sturen), worden ze gegroepeerd. Dit gebeurt voor elke persoon apart. Zo krijgt elke proefpersoon zijn of haar eigen, perfecte landkaart, gebaseerd op hoe hun eigen brein werkt.

2. De "Voxels" (De bouwstenen):
   Het brein wordt opgedeeld in kleine blokjes, net als pixels op een scherm. De nieuwe methode kijkt niet alleen naar de gemiddelde activiteit van een groot gebied, maar naar hoe elk klein blokje (voxel) zich verhoudt tot de gebieden die de persoon zelf heeft gedefinieerd. Het is alsof je niet alleen naar de stad kijkt, maar ook naar hoe elke straat in die stad zich verhoudt tot de rest van de stad.

3. De "Transformer" (De Slimme Vertaler):
   Omdat elke persoon nu een unieke landkaart heeft, is het lastig om ze met elkaar te vergelijken. Hoe vergelijk je de stad van Amsterdam met die van New York als ze allebei een andere indeling hebben?
   Hier komt de Transformer (een soort super-slimme computer) om de hoek kijken. Deze computer fungeert als een universele vertaler. Hij neemt de unieke, persoonlijke landkaart van elke persoon en vertaalt deze naar een standaardtaal die voor iedereen hetzelfde is. Zo kunnen wetenschappers toch alle breinen met elkaar vergelijken, zonder dat ze de unieke details van het individu verliezen.

Wat hebben ze ontdekt?

De auteurs hebben hun nieuwe methode getest op twee belangrijke vragen:

1. Kunnen we zien of iemand man of vrouw is? (Op basis van hun hersenactiviteit).
2. Hoe oud is het brein? (Soms is een brein van een 50-jarige ouder dan 50, of juist jonger).

Het resultaat: Hun nieuwe methode ("Atlas-free BNT") was beter dan alle oude methoden die standaardlandkaarten gebruikten.

• Het was nauwkeuriger in het voorspellen van geslacht.
• Het voorspelde de leeftijd van het brein preciezer.
• Het was robuuster: het maakte minder fouten door kleine variaties tussen mensen.

Waarom is dit belangrijk?

Stel je voor dat je een dokter bent die een diagnose moet stellen.

• De oude manier: Je gebruikt een standaardboekje met symptomen. Als de patiënt een beetje afwijkt van het boekje, mis je de diagnose.
• De nieuwe manier: Je luistert naar de patiënt en maakt een diagnose op maat, gebaseerd op hoe die specifieke persoon zich voelt, maar je gebruikt wel een slimme computer om te zorgen dat je het resultaat kunt vergelijken met duizenden andere patiënten.

Dit kan leiden tot betere diagnoses voor ziektes zoals Alzheimer of autisme, en helpt artsen om behandelingen te maken die echt op maat zijn gemaakt voor de patiënt. Het is een stap in de richting van "persoonlijke geneeskunde" voor het brein.

Kort samengevat:
Ze hebben de "stijve landkaarten" weggegooid en vervangen door een systeem dat voor elk brein zijn eigen landkaart tekent, en vervolgens een slimme computer gebruikt om die kaarten met elkaar te vergelijken. Het resultaat is een helderder, nauwkeuriger beeld van hoe ons brein echt werkt.

Technische samenvatting

Probleemstelling

Huidige methoden voor de analyse van hersennetwerken zijn sterk afhankelijk van standaard anatomische of connectiviteit-gedreven hersenatlassen (zoals AAL, Craddock of Schaefer). Deze "fixed atlases" brengen echter aanzienlijke beperkingen met zich mee:

1. Ruimtelijke misalignement: Een universeel atlas past niet perfect op de individuele anatomie van elke proefpersoon, wat leidt tot onnauwkeurige toewijzing van voxels aan regio's van belang (ROIs).
2. Functionele heterogeniteit: Binnen de vooraf gedefinieerde regio's van een atlas vertonen voxels vaak verschillende functionele signalen, wat de schatting van connectiviteit verwaterd.
3. Atlas-selectie bias: De resultaten en prestaties van modellen variëren sterk afhankelijk van welke atlas wordt gekozen, wat de reproduceerbaarheid en de vergelijkbaarheid tussen studies ondermijnt.

De auteurs stellen dat deze beperkingen de betrouwbaarheid en interpretatie van afgeleide hersennetwerken negatief beïnvloeden, vooral voor gepersonaliseerde medische toepassingen.

Methodologie: Atlas-free Brain Network Transformer (atlas-free BNT)

De auteurs introduceren een nieuw kader dat geen gebruik maakt van externe atlassen, maar direct werkt op individuele rust-fMRI (rs-fMRI) data. De aanpak bestaat uit drie hoofdfasen:

1. Geïndividualiseerde Functionele Parcellatie
In plaats van een vaste atlas te gebruiken, worden hersenregio's (ROIs) voor elke proefpersoon apart gegenereerd door voxels met coherente intrinsieke connectiviteit te clusteren. Er worden twee methoden gebruikt:

• Agglomeratieve Clustering (AC): Een bottom-up benadering waarbij ruimtelijk aangrenzende voxels met hoge correlatie worden samengevoegd tot clusters, zolang de correlatie boven een drempelwaarde ($\nu$) blijft. Dit zorgt voor ruimtelijke coherentie.
• Spectrale Clustering (SC): Gebruikt de eigenvectoren van een similariteitsgraf (gebaseerd op Pearson-correlaties) om voxels in een laag-dimensionale ruimte te projecteren en vervolgens te clusteren. Dit kan complexe, niet-convexe functionele netwerken over het hele brein identificeren.

2. ROI-naar-Voxel Connectiviteitsfeatures
Omdat elke proefpersoon een unieke set ROIs heeft, is directe vergelijking van ROI-tot-ROI connectiviteit onmogelijk. Om dit op te lossen:

• De gemiddelde BOLD-tijdreeks van elke individuele ROI wordt berekend.
• De functionele connectiviteit wordt berekend tussen elke ROI en elke voxel in de volledige hersenruimte (MNI-ruimte).
• Dit resulteert in een multi-kanaals functionele hersenkaart ($F$), waarbij elk kanaal de connectiviteit van alle ROIs met één specifieke voxel weergeeft. Dit creëert een gestandaardiseerde feature-ruimte voor alle proefpersonen.

3. Transformer Architectuur
Om de hoge dimensionaliteit van de voxel-gegevens (ca. $10^5$ voxels) te hanteren en robuuste representaties te leren:

• Dimensiereductie: Principal Component Analysis (PCA) wordt toegepast op de connectiviteitsvectoren.
• Block-wise Verwerking: De 3D-ruimte wordt opgedeeld in overlappende blokken ($3 \times 3 \times 3$ voxels). Elk blok fungeert als een "node" in het netwerk.
• Brain Network Transformer (BNT): Een Transformer-architectuur met Multi-Head Self-Attention (MHSA) verwerkt deze blokken om globale context en lange-afstandsafhankelijkheden te leren.
• Readout: Een Orthonormal Clustering Readout (OCR) module aggregeert de node-embeddings naar een compacte, subject-specifieke vector voor downstream taken (classificatie of regressie).

Belangrijkste Bijdragen

1. Geïndividualiseerde Functionele Parcellatie: Een datagedreven methode die ROIs direct uit rs-fMRI data genereert, waardoor misalignement en heterogeniteit binnen regio's worden opgelost.
2. Atlas-free BNT Architectuur: Een nieuwe transformer-architectuur die gestandaardiseerde, hoge-dimensionale features leert uit subject-specifieke netwerken, waardoor groepsgewijze vergelijkingen mogelijk blijven zonder externe atlassen.
3. Unificerend Analytisch Kader: Een geïntegreerde aanpak die gepersonaliseerde connectiviteitsanalyse combineert met statistische inferentie op groepsniveau, wat de sensitiviteit en interpreteerbaarheid verbetert.

Resultaten

De methode is geëvalueerd op twee benchmark-taken: geslachtsclassificatie en voorspelling van de "hersenenleeftijd" (brain-connectome age) op basis van datasets van het ABCD-studie en de Emory Healthy Brain Study.

• Prestaties: De atlas-free BNT overtrof consistent state-of-the-art atlas-based methoden, waaronder Elastic Net, BrainGNN, Graphormer en de originele BNT.
  • Geslachtsclassificatie: De beste prestatie (Agglomeratieve Clustering variant) bereikte een nauwkeurigheid van 89,20% en een AUROC van 95,90%, vergeleken met ~87% voor de beste atlas-based methode (Craddock-400).
  • Hersenenleeftijd: De methode behaalde een gemiddelde absolute fout (MAE) van 4,03 jaar, wat significant lager is dan de atlas-based methoden (ranging van 4,21 tot 5,61 jaar).
• Ablatie-studie: De studie toonde aan dat alle componenten (FNN, MHSA, OCR) bijdragen aan de prestaties. De Transformer-laag (MHSA) is cruciaal voor het modelleren van relaties tussen blokken, wat vooral belangrijk is voor de voorspelling van hersenenleeftijd.
• Interpretatie: Grad-CAM visualisaties toonden aan dat het model biologisch plausibele patronen leert (bijv. occipitale regio's voor vrouwelijke classificatie en fronto-striatale netwerken voor mannelijke classificatie; verspreide corticale en subcorticale activiteit voor leeftijdsvoorspelling).

Betekenis en Impact

Deze doorbraak heeft grote potentie voor de neuroimaging en de klinische diagnostiek:

• Verbeterde Betrouwbaarheid: Door het elimineren van atlas-selectie bias en ruimtelijke misalignement, worden de resultaten robuuster en beter reproduceerbaar.
• Gepersonaliseerde Geneeskunde: De methode maakt het mogelijk om unieke, subject-specifieke connectiviteitspatronen te analyseren, wat essentieel is voor de ontwikkeling van biomerkers voor neurodegeneratieve ziekten en andere aandoeningen.
• Toekomstige Toepassingen: De aanpak biedt een fundament voor nauwkeurigere klinische tools die minder afhankelijk zijn van groepsgemiddelden en meer inspelen op individuele variabiliteit in de hersenstructuur.

De auteurs benadrukken dat hoewel de methode nog steeds een ruimtelijke normalisatie naar een MNI-template vereist, de blokbased aggregatie en transformer-architectuur de gevoeligheid voor kleine registratiefouten aanzienlijk verminderen.