BrainATCL: 기능적 링크 예측 및 연령 추정을 위한 적응형 시계열 뇌 연결성 학습
BrainATCL: Adaptive Temporal Brain Connectivity Learning for Functional Link Prediction and Age Estimation
기능적 자기공명영상(fMRI)은 인간의 뇌 활동을 연구하는 데 널리 사용되는 영상 기법입니다. 뇌 전반에 걸친 여러 영역의 fMRI 신호는 개인이 휴식 상태에 있을 때조차도 고도로 구조화된 방식으로 활동을 일시적으로 동기화 및 비동기화합니다. 이러한 기능적 연결성 동역학(functional connectivity dynamics)은 행동 및 신경정신 질환과 관련이 있을 수 있습니다. 이러한 동역학을 모델링하려면 시계열 뇌 연결성 표현이 필수적인데, 이는 뇌 영역 간에 진화하는 상호작용을 반영하고 일시적인 신경 상태 및 네트워크 재구성에 대한 통찰을 제공하기 때문입니다. 그러나 기존의 그래프 신경망(GNN)은 동적 fMRI 데이터에서 장기 시계열 의존성(long-range temporal dependencies)을 포착하는 데 어려움을 겪는 경우가 많습니다. 이러한 문제를 해결하기 위해, 본 논문에서는 기능적 링크 예측(functional link prediction) 및 연령 추정을 가능하게 하는 적응형 시계열 뇌 연결성 학습을 위한 비지도·비모수적 프레임워크인 BrainATCL을 제안합니다. 제안하는 방법은 새로 추가되는 엣지(edge)의 비율을 기반으로 각 스냅샷의 룩백 윈도우(lookback window)를 동적으로 조정합니다. 이후 그래프 시퀀스는 GINE-Mamba2 백본을 사용해 인코딩되어 Human Connectome Project의 1,000명 참가자로부터 얻은 휴지기 fMRI 데이터에서 동적 기능적 연결성의 시공간 표현을 학습합니다. 공간 모델링을 더욱 개선하기 위해, 뇌 영역의 좌/우 반구 정체성 및 하위 네트워크 소속과 같은 뇌 구조 및 기능 기반의 엣지 속성을 통합하여 모델이 생물학적으로 의미 있는 위상학적 패턴을 포착할 수 있도록 합니다. 우리는 기능적 링크 예측과 연령 추정이라는 두 가지 태스크에서 BrainATCL을 평가합니다. 실험 결과는 세션 간(cross-session) 예측 시나리오를 포함하여 우수한 성능과 강력한 일반화 능력을 입증합니다.