Deep Learning of Static and Dynamic Brain Functional Networks for Early MCI Detection[TMI 2020]

2021년 2월 3주차 덕중 논문 1번

Title: Deep Learning of Static and Dynamic Brain Functional Networks for Early MCI Detection[TMI 2020]

 

Task: MCI / NC classification

 

Dataset: ADNI2 dataset

 

Contribution:

기존 방법들 처럼 rs-fMRI에서 spatial한 3D map만(static BFN) 이용하는 것이 아니라 dynamic Functional connectivity에서 얻은 dynamic Brain Functional Network(dynamic BFN)도 같이 end to end로 사용함으로써 성능을 향상시켰다

 

Model:

<전체 pipeline>

 

<model overview>

 

이 논문에서의 핵심은 static BFN, dynamic BFN을 동시에 multi-channel로 묶어 input으로 들어간다는 것

static BFN은 rs-fMRI에서 gigICA를 통해 3D map으로 생성되고, dynamic BFN은 sliding-window seed correlation-based method로 추출된다.

 

BFN은 ICA를 통해 component수로 개수를 조정할 수 있는데, N개의 component를 생성하고 그 중 6개의 BFN만 사용하게 된다(DMN, FPNs)

그래서 각 BFN마다 CNN을 통과시켜 총 6개의 CNN을 구성하고 single model에서 output 직전의 layer를 꺼내 concat한 다음 최종적으로 MCI/NC 분류를 하게 된다.

 

Result:

 

잘 안보이지만, MB-CNN (all BFN-6개 network사용, only static) model이 acc가 73.85로 가장 높았다

 

static과 dynamic을 multi-channel로 사용하고 모든 BFN을 사용한 sdMB-CNN(All)이 acc가 76.07%로 가장 성능이 좋았다

 

여기서 DMN&FPNs(1,2) 3개의 BFN만 사용한 model과 전체를 사용한 모델이 ~1% 정도 차이나는 것을 볼 수 있는데, 이는 DMN과 FPNs이 MCI와 NC를 구분하는데 가장 유의미한 brain network라고 논문에서는 분석하고 있다.

 

limitations :

1) ICA component 결과중 일부 brain network만 사용했다 (현재 ADNI project에서는 25개의 network를 모두 사용하게 됨)

2) ICA model이 HCP에 기반한 template이용 -> 다양한 template 사용해보자

3) dynamic FC에서 dynamic BFN을 추출하는데 한 가지의 method만 사용 됨 -> 다양한 방법들이 존재한다