[論文レビュー] A Multi-Resolution Spatio-Temporal Model for Brain Activation and Connectivity in fMRI Data

Stefano Castruccio, Hernando Ombao+1 more|arXiv (Cornell University)|Feb 7, 2016

Functional Brain Connectivity Studies参考文献 41被引用数 4

ひとこと要約

本論文は、局所的な非定常的空間的依存性を考慮しながら、ボクセル単位の活性化と全身の脳結合性を同時にモデル化するマルチスケール時空間ガウス過程モデルを提案する。空間的に変化する回帰係数とスパースな結合性推定のためのグラフィカルLASSOを統合することで、標準的手法に比べて検出力が向上し、第一種I誤り率が低減される。このモデルは、ストローク患者を対象とした運動タスク研究において、左前頭前回とローランチックオペキュラムのROIs間でより強く、解釈可能な機能的結合性を示している。

ABSTRACT

Functional Magnetic Resonance Imaging (fMRI) is a primary modality for studying brain activity. Modeling spatial dependence of imaging data at different scales is one of the main challenges of contemporary neuroimaging, and it could allow for accurate testing for significance in neural activity. The high dimensionality of this type of data (on the order of hundreds of thousands of voxels) poses serious modeling challenges and considerable computational constraints. For the sake of feasibility, standard models typically reduce dimensionality by modeling covariance among regions of interest (ROIs) -- coarser or larger spatial units -- rather than among voxels. However, ignoring spatial dependence at different scales could drastically reduce our ability to detect activation patterns in the brain and hence produce misleading results. To overcome these problems, we introduce a multi-resolution spatio-temporal model and a computationally efficient methodology to estimate cognitive control related activation and whole-brain connectivity. The proposed model allows for testing voxel-specific activation while accounting for non-stationary local spatial dependence within anatomically defined ROIs, as well as regional dependence (between-ROIs). Furthermore, the model allows for detection of interpretable connectivity patterns among ROIs using the graphical Least Absolute Shrinkage Selection Operator (LASSO). The model is used in a motor-task fMRI study to investigate brain activation and connectivity patterns aimed at identifying associations between these patterns and regaining motor functionality following a stroke.

研究の動機と目的

• 高次元fMRIデータにおける複雑な非定常的空間的依存性をモデル化する課題に取り組みつつ、計算上の実行可能性を維持すること。
• ROI平均化モデルを越えてボクセル単位の推論を可能にすることで、脳の活性化および結合性パターンの検出における統計的パワーと正確性を向上させること。
• 局所的な空間的構造と領域間結合性を同時に捉える、スケーラブルで計算効率の良いフレームワークを構築すること。
• 無視された空間的相関が原因で生じる偽陽性率を低減することで、特にストローク患者を対象とした臨床的fMRI研究における信頼性の高い推論を可能にすること。
• グラフィカルLASSOを用いてスパースで解釈可能な結合性ネットワークを提供し、経験的共分散行列の過剰パラメータ化を回避すること。

提案手法

• モデルは、解剖学的に定義されたROIs内での誤差構造の局所的非定常性を捉えるために、空間的に変化する回帰係数を用いた階層ベイズフレームワークを採用する。
• 複数スケールの表現を用いることで、柔軟でデータ駆動の空間的相関構造をモデル化する。
• ボクセル単位の活性化は、局所的およびグローバルな結合性パターンを捉えるために、ROI固有のランダム効果を含む線形混合効果モデルでモデル化される。
• 空間的依存性構造は、局所的な幾何学的構造や非等方性に適応する非定常共分散関数を有するガウス過程を用いて推定される。
• ROIレベルのランダム効果の精度行列に対してグラフィカルLASSOを適用し、スパースで解釈可能な無向結合性ネットワークを推定する。
• 並列処理を活用した特化した推論アルゴリズムにより、高次元fMRIデータの計算負荷を管理し、スケーラブルな推定を実現する。

実験結果

リサーチクエスチョン

• RQ1 局所的な非定常的空間的依存性を考慮することで、マルチスケール時空間モデルはfMRIデータにおける脳の活性化検出を改善できるか？
• RQ2 ROIレベルではなくボクセルレベルで空間的依存性をモデル化すると、fMRI解析における統計的パワーと第一種I誤り率にどのような影響を与えるか？
• RQ3 運動タスク中の脳領域間の機能的結合性の構造は何か？ また、スパースで解釈可能なグラフィカルモデルを用いて信頼性高く推定できるか？
• RQ4 提案されたモデルは、運動障害を回復中のストローク患者における活性化パターンの検出において、標準的手法を上回る性能を示すか？
• RQ5 ROIの異なる亜領域における空間的相関構造はどのように変化するのか？ そして、それらは神経組織の背後にある構造的特徴を何を明らかにするか？

主な発見

• 本モデルは、非定常的空間的依存性を適切に捉えることで、標準的手法に比べて第一種I誤り率を顕著に低減している。これは、等方的または定常的モデルが捉えきれない。
• 空間的相関の非定常性は複雑であり、単に局所的な非等方的構造では十分にモデル化できないため、より柔軟な空間的モデリング手法の必要性が示された。
• λ=0.01でグラフィカルLASSOを用いて特定された、最も強い直接的な機能的結合性は、失語症および発音制御に関連するとされる左前頭オペキュラムと左ローランチックオペキュラムの間であった。
• 補助運動野（SMA-L）の亜領域では空間的相関構造に有意な差が認められ、前部領域ではより円形の依存性、後部領域では方向性（楕円形）のパターンが観察された。
• 本モデルは、任意のROI定義を必要とせず、ボクセル単位の活性化推論を可能にし、機能的活性化ROIを構成する活性ボクセル数の曖昧さを回避する。
• 数値的実験により、局所的な非定常性を無視すると最適でない検定手順が生じ、本モデルは名目水準に近い第一種I誤り率を達成することが確認された。