Spatiotemporal Functional Connectivity Analysis without ROI Constraints = 사전 ROI 정의에 의존하지 않는 시공간적 기능적 연결성 분석

국문 초록 (Abstract)

기존의 휴지기 기능적 자기공명영상(resting-state fMRI) 기반 기능적 연결성(functional connectivity, FC) 분석은 주로 사전에 정의된 해부학 적 영역과 시간 평균 상관관계에 의존해 왔으며, 이로 인해 개인 간 변 이성과 뇌 활동의 동적 변화를 충분히 포착하는 데 한계가 있다. 이러한 한계를 극복하기 위해, 본 연구에서는 완전한 데이터 기반 전략을 채택 한 새로운 end-to-end 딥러닝 프레임워크를 제안한다. Swin Transformer 기반 백본을 활용하여 고차원 잠재 공간에서 피험자별 특 징 임베딩을 추출하고, 이후 soft-clustering을 통해 전역적으로 학습 가 능한 중심점을 최적화함으로써 피험자 특이적 기능적 영역을 정의한다. 정의된 기능적 영역을 그래프 구조의 노드로 모델링하여, GAT를 통해 공간적 연결성을, GRU를 통해 시간적 동역학을 동시에 학습한다. 제안 한 프레임워크는 연령 예측을 위한 end-to-end 최적화의 가능성을 입 증할 뿐만 아니라, 생물학적으로 타당한 기능적 영역과 의미 있는 연결 성 패턴을 도출함으로써 개인화된 신경영상 분석을 위한 유연한 기반을 제공한다.

다국어 초록 (Multilingual Abstract)

Traditional functional connectivity (FC) analysis in resting-state fMRI often relies on predefined anatomical regions and time-averaged correlations, which can limit the ability to capture individual variability and dynamic changes in brain activity. To overcome these limitations, we propose a novel end-to-end deep learning framework that employs a fully data-driven strategy. Utilizing a Swin Transformer-based backbone, we extract subject-specific feature embeddings in a high- dimensional latent space. Subsequently, we optimize global learnable centroids via soft-clustering to define subject-specific functional regions. By modeling these regions as nodes in a graph structure, we capture both their spatial connectivity via GAT and temporal dynamics via GRU. This framework not only validates the feasibility of end-to- end optimization for age prediction but also reveals biologically plausible functional regions and meaningful connectivity patterns, providing a flexible foundation for personalized neuroimaging analysis.

목차 (Table of Contents)

• Contents 2
• 1 Introduction 3
• 2 Related Work 4
• 2.1 SwiFT: Swin 4D fMRI Transformer 4
• 2.2 Dynamic Functional Connectivity and Graph Learning 4
• 2.3 Data-Driven Region Discovery 4
• 3 Methodology 5
• 3.1 SwiFT-based Spatial Feature Extraction 5
• 3.2 Differentiable Soft-Clustering for Region Discovery 6
• 3.3 Dynamic Graph Construction 7
• 3.4 Graph Attention Network (GAT) 7
• 3.5 Temporal Modeling with GRU 8
• 3.6 Prediction Head 8
• 4 Experimental Setup and Results 9
• 4.1 Dataset and Preprocessing 9
• 4.2 Implementation Details 9
• 4.3 Age Prediction Result 9
• 5 Analysis 11
• 5.1 Subject-specific Functional Regions Analysis 11
• 5.1.1 Visualization of Functional Topography 11
• 5.1.2 Population-level Functional Topography and Predictive Importance 12
• 5.1.3 Age-Dependent Variations in Functional Topography 13
• 5.1.4 Sex-Specific Differences in Functional Organization 13
• 5.2 Connectivity Analysis 14
• 5.2.1 Spatial Connectivity Analysis 14
• 5.2.2 Temporal Dynamics and Representation Stability 15
• 6 Contribution and Discussion 17
• 6.1 Methodological Contributions 17
• 6.2 Limitations and Future Directions 17
• A Supplementary Material 19
• B Optimization of Functional Region Granularity 22
• C Implementation Details for Baselines 24
• D Supplementary Connectivity Analysis 25