Riemannian Flow Matching for Brain Connectivity Matrices via Pullback Geometry¶
会议: NeurIPS 2025
arXiv: 2505.18193
作者: Antoine Collas (Inria), Ce Ju (Inria), Nicolas Salvy (Inria), Bertrand Thirion (Inria, CEA, Université Paris-Saclay)
代码: github.com/antoinecollas/DiffeoCFM
领域: 图像生成
关键词: 脑连接矩阵, 黎曼流匹配, 拉回几何, 条件流匹配, 对称正定矩阵, 相关矩阵, fMRI, EEG
一句话总结¶
提出DiffeoCFM，利用全局微分同胚诱导的拉回度量，将黎曼流形上的条件流匹配等价转化为欧几里得空间中的标准CFM，实现对脑连接矩阵（SPD/相关矩阵）的高效生成，同时严格保持流形约束，在3个fMRI和2个EEG数据集上达到SOTA。
研究背景与动机¶
问题背景¶
脑功能连接矩阵（协方差或相关矩阵）是fMRI、EEG、MEG等神经影像分析的核心表示，广泛用于运动想象分类、脑年龄预测和疾病诊断。这些矩阵天然属于对称正定矩阵（SPD）流形$\mathbb{S}_d^}\(或相关矩阵流形\)\text{Corr}_d$，是非欧几里得的黎曼流形。
已有工作的不足¶
- 黎曼CFM [Chen & Lipman 2024]：直接在流形上训练向量场，需要计算测地线、黎曼范数、流形上的ODE积分，计算代价极高（比欧几里得对应物慢8-10倍）
- SPD-DDPM [Huang & Han 2023]：需要专用的SPDNet架构，训练缓慢
- CorrGAN [Marti 2020]：在欧几里得空间训练GAN后通过后处理投影到流形，投影步骤严重损坏样本质量（\(\alpha,\beta\)-F1下降高达0.76）
- TriangDDPM/TriangCFM：直接对矩阵下三角元素建模，生成的矩阵常含负特征值，投影后结构严重失真
- 现有方法要么几何保真但计算昂贵，要么计算高效但破坏流形约束
核心动机¶
能否找到一种方法，既保持欧几里得空间训练的简洁高效，又严格保证生成样本满足流形约束？关键insight：利用全局微分同胚\(\phi:\mathcal{M}\to E\)，在欧几里得空间\(E\)上做所有计算，数学上等价于在黎曼流形\(\mathcal{M}\)上操作。
方法详解¶
理论基础：拉回流形¶
给定光滑流形\(\mathcal{M}\)和全局微分同胚\(\phi:\mathcal{M}\to E\)（\(E\)为欧几里得空间），可以将欧几里得度量\(g_E\)通过\(\phi\)拉回到\(\mathcal{M}\)上：
此拉回度量下的测地线就是欧几里得直线的像：\(\gamma(t)=\phi^{-1}((1-t)\phi(x_0)+t\phi(x_1))\)。
DiffeoCFM：等价性定理¶
核心命题1（训练等价性）：在拉回度量下，黎曼CFM的损失函数可写为标准欧几里得CFM损失：
其中\(z_i=\phi(x_i)\)，无需计算测地线、黎曼范数或流形梯度。
核心命题2（采样等价性）：欧几里得ODE \(\dot{z}(t)=u_\theta^E(t,z(t),y)\) 的解与黎曼ODE的解通过\(\phi\)严格对应：\(x(t)=\phi^{-1}(z(t))\)。
核心命题3（离散等价性）：对任意显式Runge-Kutta格式，欧几里得迭代与黎曼迭代也通过\(\phi\)严格对应。
两种微分同胚实例化¶
SPD矩阵（EEG协方差）：使用矩阵对数映射 $$\phi_{\mathbb{S}d^{}(\Sigma) = \text{vec}(\log(\Sigma))$$ 诱导Log-Euclidean度量，映射到}\(\mathbb{R}^{d(d+1)/2}\)。
相关矩阵（fMRI连接性）：使用归一化Cholesky分解 $\(\phi_{\text{Corr}_d}(\Sigma) = \text{vec}_{\text{sl}}(\text{nchol}(\Sigma))\)$ 其中\(\text{nchol}(\Sigma)=\text{diag}(\text{chol}(\Sigma))^{-1}\text{chol}(\Sigma)\)，映射到\(\mathbb{R}^{d(d-1)/2}\)。
训练与采样流程¶
训练（Algorithm 1）：对每个类别\(y\)，将数据映射到欧几里得空间\(z=\phi(x)\)，拟合类条件高斯作为源分布，经验分布作为目标分布，训练两层MLP（512隐藏单元）最小化标准CFM损失。
采样（Algorithm 2）：从源分布采样\(z_0\)，用dopri5积分器求解欧几里得ODE得到\(z_L\)，通过\(\phi^{-1}(z_L)\)映射回流形，生成的矩阵天然满足SPD/相关矩阵约束。
实验关键数据¶
实验1：质量指标与分类精度（5个数据集综合对比）¶
在3个fMRI数据集（ABIDE 900人、ADNI 1900扫描、OASIS-3 1800会话）和2个EEG数据集（BNCI2014-002 13人、BNCI2015-001 12人）上评估。质量指标用\(\alpha\)-precision（保真度）、\(\beta\)-recall（多样性）及其调和平均\(\alpha,\beta\)-F1；分类指标用ROC-AUC和F1。
| 数据集 | 方法 | \(\alpha,\beta\)-F1 ↑ | ROC-AUC ↑ | F1 ↑ | 训练时间(s) |
|---|---|---|---|---|---|
| ABIDE (fMRI) | TriangCFM | 0.00 | 0.52 | 0.40 | 48.78 |
| ABIDE (fMRI) | DiffeoGauss | 0.38 | 0.66 | 0.53 | 0.07 |
| ABIDE (fMRI) | DiffeoCFM | 0.59 | 0.64 | 0.58 | 32.78 |
| ADNI (fMRI) | TriangCFM | 0.01 | 0.56 | 0.34 | 87.37 |
| ADNI (fMRI) | DiffeoGauss | 0.04 | 0.60 | 0.29 | 0.14 |
| ADNI (fMRI) | DiffeoCFM | 0.68 | 0.63 | 0.47 | 88.01 |
| OASIS-3 (fMRI) | DiffeoCFM | 0.44 | 0.67 | 0.53 | 67.83 |
| BNCI2014 (EEG) | RiemCFM | 0.63 | 0.81 | 0.72 | 1983.58 |
| BNCI2014 (EEG) | DiffeoCFM | 0.62 | 0.81 | 0.74 | 253.04 |
| BNCI2015 (EEG) | RiemCFM | 0.88 | 0.73 | 0.66 | 2753.93 |
| BNCI2015 (EEG) | DiffeoCFM | 0.89 | 0.73 | 0.65 | 319.83 |
DiffeoCFM在所有fMRI数据集上\(\alpha,\beta\)-F1大幅领先；在EEG上与RiemCFM质量持平但训练快8倍、采样快10倍。
实验2：投影对TriangCFM的破坏性影响¶
| 数据集 | \(\Delta\alpha\)-precision | \(\Delta\beta\)-recall | \(\Delta\alpha,\beta\)-F1 |
|---|---|---|---|
| ABIDE | -0.34 | -0.69 | -0.50 |
| ADNI | -0.63 | -0.74 | -0.69 |
| OASIS-3 | -0.52 | -0.76 | -0.64 |
| BNCI2014-002 | +0.13 | -0.56 | -0.19 |
| BNCI2015-001 | +0.00 | -0.19 | -0.09 |
投影到流形后TriangCFM的\(\beta\)-recall最大下降0.76、F1最大下降0.69，说明后处理投影策略在fMRI相关矩阵上基本不可用。DiffeoCFM通过微分同胚从根本上避免了此问题。
神经生理可信性验证¶
- fMRI连接组：DiffeoCFM生成的ADNI类条件Fréchet均值连接组与真实数据一致——阿尔茨海默病组呈现半球间和前后区域连接减弱的典型模式
- EEG地形图：DiffeoCFM生成的CSP空间滤波器在\(\alpha\)(8-12 Hz)和\(\beta\)(13-30 Hz)频段集中在对侧感觉运动区，与真实EEG的运动想象判别模式高度吻合
亮点¶
- 数学优雅：三个等价性命题（训练、连续采样、离散积分）严格证明了欧几里得CFM等价于黎曼CFM，理论完备
- 统一框架：同一框架同时处理SPD矩阵和相关矩阵，仅需更换微分同胚\(\phi\)，是目前唯一同时支持两类矩阵生成的方法
- 计算效率：避免所有流形特定运算（测地线、黎曼指数映射、平行传输），相比RiemCFM训练快8倍、采样快10倍，同时质量不降
- 构造性约束保证：通过\(\phi^{-1}\)映射回流形，生成样本天然满足SPD/相关矩阵约束，无需后处理投影
- 大规模实验：覆盖5个数据集、4600+扫描、30000+EEG试验，是脑连接矩阵生成领域迄今最全面的评估
局限与展望¶
- 依赖全局微分同胚的存在性：SPD和相关矩阵存在天然的微分同胚，但对Stiefel流形等紧致流形不适用，限制了方法的泛化范围
- 高维诅咒：流形维度随脑区数目\(d\)二次增长（\(d(d-1)/2\)），高分辨率脑分区（如400+区域）下样本复杂度指数增长
- 连接性定义敏感：仅评估了OAS估计的协方差/相关矩阵，未探索偏相关、图Lasso精度矩阵等替代定义的影响
- 评价指标与几何无关：\(\alpha\)-precision和\(\beta\)-recall基于One-Class SVM，不感知黎曼几何结构，可能遗漏神经生理学相关的细微差异
- 数据规模有限：脑区数目最大约80，未验证更高维度（如Schaefer 400分区）下的可扩展性
与相关工作的对比¶
- Riemannian CFM [Chen & Lipman 2024]：在仿射不变度量下直接做黎曼CFM，几何最精确但计算昂贵（训练2754s vs DiffeoCFM 320s），且仅支持SPD不支持相关矩阵
- SPD-DDPM [Huang & Han 2023]：需要专用SPDNet网络，训练极其缓慢
- CorrGAN [Marti 2020]：欧几里得GAN+后处理投影，投影严重损害质量
- TriangCFM/TriangDDPM：直接对三角元素做生成模型，投影后\(\alpha,\beta\)-F1骤降0.5-0.7
- Normalizing Flows on Lie Groups [Falorsi et al. 2019]：利用重参数化学习李群上的概率密度，可视为DiffeoCFM的早期概念前身
- DiffeoGauss（本文消融基线）：同样用微分同胚但仅拟合高斯，\(\beta\)-recall尚可但\(\alpha\)-precision极低，说明CFM的非线性建模不可或缺
评分¶
- 新颖性: ⭐⭐⭐⭐ — 拉回几何+CFM思路优雅，等价性证明严密，但核心idea（变换后做欧几里得生成模型）相对直觉
- 实验充分度: ⭐⭐⭐⭐⭐ — 5个真实数据集、多种基线、质量+分类+神经生理三层评估体系
- 写作质量: ⭐⭐⭐⭐⭐ — 理论推导清晰，图表专业，实验描述详尽
- 价值: ⭐⭐⭐⭐ — 为脑连接矩阵生成提供了实用SOTA方案，隐私保护数据共享等应用前景明确