[論文レビュー] A Framework for Exploring Non-Linear Functional Connectivity and Causality in the Human Brain: Mutual Connectivity Analysis (MCA) of Resting-State Functional MRI with Convergent Cross-Mapping and Non-Metric Clustering

Axel Wismüller, Xixi Wang+2 more|arXiv (Cornell University)|Jul 14, 2014

Functional Brain Connectivity Studies参考文献 21被引用数 41

ひとこと要約

本論文は、交差予測および収束的クロスマッピング（CCM）を用いて、タスクなしの安静状態fMRIにおける非線形機能的結合性および因果関係を同定するモデルフリーなフレームワーク、相互結合性解析（MCA）を提案する。MCAは非メトリッククラスタリング（Louvain法）と組み合わせられ、一次運動皮膚および補助運動野の局在化に用いられたタスクベースfMRIと密接に一致する運動ネットワークコミュニティを回復する。これは、MCAが事前のタスクパラダイムを必要とせずに、脳の内在的ネットワーク構造を同定する可能性を示している。

ABSTRACT

We present a computational framework for analysis and visualization of non-linear functional connectivity in the human brain from resting state functional MRI (fMRI) data for purposes of recovering the underlying network community structure and exploring causality between network components. Our proposed methodology of non-linear mutual connectivity analysis (MCA) involves two computational steps. First, the pair-wise cross-prediction performance between resting state fMRI pixel time series within the brain is evaluated. The underlying network structure is subsequently recovered from the affinity matrix constructed through MCA using non-metric network partitioning/clustering with the so-called Louvain method. We demonstrate our methodology in the task of identifying regions of the motor cortex associated with hand movement on resting state fMRI data acquired from eight slice locations in four subjects. For comparison, we also localized regions of the motor cortex through a task-based fMRI sequence involving a finger-tapping stimulus paradigm. Finally, we integrate convergent cross mapping (CCM) into the first step of MCA for investigating causality between regions of the motor cortex. Results regarding causation between regions of the motor cortex revealed a significant directional variability and were not readily interpretable in a consistent manner across all subjects. However, our results on whole-slice fMRI analysis demonstrate that MCA-based model-free recovery of regions associated with the primary motor cortex and supplementary motor area are in close agreement with localization of similar regions achieved with a task-based fMRI acquisition. Thus, we conclude that our computational framework MCA can extract and visualize valuable information concerning the underlying network structure and causation between different regions of the brain in resting state fMRI.

研究の動機と目的

• 安静状態fMRIにおける非線形機能的結合性を検出するモデルフリーな手法を開発すること。
• タスク駆動の活性化が存在しない状況で、収束的クロスマッピング（CCM）を用いて脳領域間の因果関係を調査すること。
• 相互結合性行列に基づく非メトリッククラスタリングを用いて、脳の潜在的ネットワークコミュニティ構造を回復すること。
• MCAを用いた運動皮膚領域の局在化を、既存のタスクベースfMRI結果と照合して検証すること。
• 被験者間で方向性因果関係推定の整合性と解釈可能性を評価すること。

提案手法

• MCAは、脳ボクセルのfMRI時系列間のペアワイズ交差予測性能を計算し、相互結合性を推定する。
• 交差予測スコアからアフィニティ行列が構築され、非線形機能的結合性を表現する。
• Louvain法を用いてアフィニティ行列上で非メトリッククラスタリングを実行し、ネットワークコミュニティを同定する。
• 方向性因果関係の推定に収束的クロスマッピング（CCM）を適用する。
• MCAで同定された運動領域を、標準的な指たたきタスクに基づくfMRIパラダイムで検出された領域と比較することで、結果を検証する。
• フレームワークは4名の被験者からのマルチスライス安静状態fMRIデータを処理し、8つのスライス位置で解析が実施された。

実験結果

リサーチクエスチョン

• RQ1 相互結合性解析（MCA）は、タスク活性化が存在しない安静状態fMRIから、既知の運動ネットワーク領域を効果的に回復できるか？
• RQ2 MCAの性能は、一次運動皮膚および補助運動野の局在化において、従来のタスクベースfMRIと比較してどう異なるか？
• RQ3 収束的クロスマッピング（CCM）は、安静状態データにおける運動皮膚野のサブ領域間で、解釈可能な方向性因果関係をどの程度明らかにできるか？
• RQ4 MCAが同定するネットワークコミュニティ構造は、被験者間で頑健で一貫性があるか？
• RQ5 MCAは、線形相関手法と比較して、非線形相互作用をどの程度捉えられるか？

主な発見

• MCAは、指たたきタスクベースfMRIパラダイムで局在化された領域と密接に一致する一次運動皮膚および補助運動野の領域を効果的に同定した。
• MCAを用いた運動ネットワークコミュニティの回復は、タスクベースfMRI結果と強い空間的一致性を示し、機能的に関連する領域を検出する上で高い信頼性を示した。
• CCMを用いた因果関係解析により、運動皮膚野領域間で顕著な方向性のばらつきが認められたが、全被験者で一貫して解釈可能な結果が得られたわけではない。
• 非メトリッククラスタリング手法（Louvain法）は、非線形結合性パターンに基づき、生物学的に妥当なネットワークコミュニティに脳を効果的に分割した。
• このフレームワークは、タスクパラダイムを必要とせずに、安静状態fMRIにおける非線形機能的結合性を活用して意味のあるネットワーク構造を抽出できることを示した。
• 本研究は、MCAが、特にタスクベース設計が不適切な状況において、機能的脳ネットワーク解析の実用的代替手段であることを確認した。